互联网媒体作为当前社会影响力最大的新型媒体,其特有的信息自由发布、广泛传播、信息海量等特点,为虚拟社会中内容安全管理提出了全新的挑战。实现对互联网上海量视频信息中的不良内容视频的及时发现和严格管控,需要高效的技术手段辅助配合。如何实现对网络视频信息的全面获取、深度分析和智能管理,是目前国内外高度重视的信息安全领域的前沿科学与工程难题。论文针对现有暴恐视频检测算法在特征建模方面的不足之处,对全局描述子和局部描述子的特征建模进行了研究分析,分别提出了基于均值多样性密度的暴恐视频检测算法和基于降维优化的词袋模型暴恐视频检测算法,并在此基础上,提出了结合上述两种特征的基于融合时空特征的暴恐视频检测算法。论文具体工作和创新点如下:第一,本文提出了基于均值多样性密度的暴恐视频检测算法。本算法基于MPEG-7中的CSD特征,使用本文提出的均值多样性密度算法,构建多示例学习模型检测暴恐视频。实验表明,该算法较传统的监督学习方法和现有多示例学习算法检测暴恐视频效果更好。第二,本文提出了基于降维优化的词袋模型暴恐视频检测算法。本算法基于Mo SIFT特征,在词袋模型生成词典及由词典生成词汇过程中,进行了纵向降维和横向降维,提高了聚类的效率和检测的准确度,实验表明该算法优于现有词袋模型算法。第三,本文提出了基于融合时空特征的暴恐视频检测算法。本算法将基于均值多样性密度的暴恐视频检测算法和基于降维优化的词袋模型暴恐视频检测算法的检测结果进行量化,作为新的特征进行检测。该算法充分利用了全局和局部两种特征,检测结果优于单一算法和现有算法。