视觉群体感知技术(Visual Crowd Sensing,VCS)是一种新型的应用范式,它可以在广大移动智能手机用户的协助下完成大规模的视觉数据采集和挖掘任务,是一种非常有应用前景的技术。VCS应用的关键过程是协调用户感知视觉数据,如图片或视频,然后上传至云端。但是,用户在拍照或者录制视频的过程中,可能会无意中将他人的隐私信息拍摄入内,导致无意中侵犯他人隐私。该问题会严重阻碍VCS技术的发展,我们亟需一种视觉隐私保护方法来解决该问题。然而,目前国内外还没有针对VCS应用的视觉隐私保护方法,本文的工作弥补了这一方面的不足。本文首次提出一种支持视觉隐私保护的VCS应用框架,能够有效的解决VCS应用中的视觉隐私安全问题。与传统VCS框架相比,本文引入了视觉隐私保护机制,通过实时检测图片或者视频中的隐私目标然后将其消除,实现VCS应用的视觉隐私保护。为了检测图像中的隐私目标,本文设计了一种基于深度学习的目标检测模型,该模型在使用隐私标注图像数据训练后,可以实时检测出图像或者视频中的隐私目标。另外,随着隐私目标的增多,隐私检测模型需要不断进行模型更新。使用传统的目标检测模型训练方法更新模型时,需要同时使用新数据和以前的数据重新训练模型,但是以前的隐私标注图像数据可能由于隐私保护要求而不可长期保留,会导致传统训练方法的失效。本文创新性的提出了一种适用于目标检测技术的增量学习方法来训练模型,该方法可以在已有隐私检测模型的基础上只使用包含新增隐私目标的数据继续训练模型,而不需要以前的数据,有效的克服了传统训练方法的弊端并提升模型更新的效率。最后,本文通过对隐私目标区域进行模糊处理的方法,实现最终的隐私保护。本文在公开的目标检测数据集以及模拟隐私数据集上进行了验证实验,实验结果分别表明了隐私检测算法以及增量学习方法的有效性,从而验证了本文所提出的视觉隐私保护框架的可行性。