随着互联网的快速发展和广泛应用,不良图片信息鉴别与过滤已成为净化网络环境、保障青少年身心健康发展的亟待解决的关键技术。基于图像内容分析,获取图像的高层语义信息己成为不良图片信息过滤应用领域的主要发展方向。本文在分析现有不良图片识别过滤的基础上,提出一种基于超完备稀疏表示的不良图片鉴别新方法,通过字典学习,充分提取不良图片与正常图片在高阶语义特征上的统计特性差异,进而提取图像在超完备字典上的稀疏表示重构误差作为分类特征,最后用支持向量机作为分类器进行识别。由于大量的训练工作是在字典学习中完成,对于测试图像,可以快速提取字典重构误差特征,避免了对图像进行精细特征提取过程,具有一定的自适应性,可以快速完成未知图像样本的鉴别。本文主要工作包括：(1)分析阐述了本文的选题背景,重点对不良图片信息过滤的各种主要方法进行了分类总结,并对该领域的研究发展趋势进行了分析。(2)详细介绍图像稀疏编码表征的理论与方法,实现了基于样本图片的超完备字典学习算法,并采用自组织映射人工神经网络对两类样本的字典库进行了冗余分析,提出两类样本的字典库原子筛选方法。(3)建立了大样本、多种类型的不良图像和正常图像的学习训练样本库,为可靠的字典学习和进一步的不良图片信息过滤研究提供了良好的数据源。(4)提出了一种基于超完备稀疏表示的不良图片鉴别算法,通过对大样本的学习训练,构建了具有一定应用普适性的不良图片和正常图片字典,提出了一种基于图像在两个字典集上稀疏表示的重构误差作为特征的特征提取方法,完成了使用支持向量机作为分类器的不良图片鉴别算法效果实验评估,实验结果表明,本文算法可以有效识别不良图片,识别准确率在90%以上。