随着互联网的发展,越来越多的色情图片、视频等资源充斥于网络,对互联网用户,特别是青少年带来不良影响。高效的色情视频检测手段成为迫切需要。本文首次将非监督学习的思想引入到了色情视频检测方法中,不同于利用传统的人工设计特征来判别视频,本文采用神经网络自学习的方式提取特征,再利用分类器对特征进行训练、分类,达到判断视频中是否含有色情内容的目的。本文提出了一个基于多模态非监督特征的色情视频检测算法,在该算法中,从视频静图、视频序列以及音频三方面入手提取特征。本文的主要创新点与工作如下:(1)本文提出了基于卷积线性解码器的色情视频检测算法。该算法使用非监督学习训练静图特征,相较于传统基于肤色特征的色情视频检测方法,能够进一步发掘图像中的结构化信息。(2)本文提出了基于堆叠独立子空间分析(ISA)网络的色情视频检测算法。该算法针对动态视频序列,利用到了词袋模型提取运动特征,相较于传统基于人为设计特征的算法,该方法能够不受视频编码格式的影响,快速地提取特征,并且反应视频中的局部运动信息。(3)本文建立了多模态色情视频检测算法的框架,结合视频静图特征、运动特征以及声音特征,提高算法整体的检测率。(4)构建了一个新的色情视频库,包含了不同类型的色情视频,用于比较不同算法的有效性。