伴随着有害数据在互联网中大肆传播,如何有效地检测出这些有害数据,维护网络的健康安全是整个社会所需要研究的重要课题。经过对有害数据的研究分析,逐渐形成了以图像处理技术为核心的检测架构。本课题的研究依托于中国电子科技集团第30研究所成都三零凯天公司的“视图内容检测分析系统—GA”项目。项目要求通过将已掌握的图像、视频等抽取为视觉特征库,并利用特征库匹配及深度学习的视觉分类技术,对内容平台推送的图片、视频、文档内容进行匹配、识别及分析,快速甄别出海量信息中不良有害内容,为相关部门子系统提供有效线索,供其进行进一步的关联分析。本文重点研究如何利用现有的图像处理技术快速甄别有害数据中的涉恐徽标(Logo)。在Logo识别模块中,图像分类模型具有至关重要的作用,而支持向量机(Support Vector Machine,SVM)是图像分类应用中最广泛的一种分类器,因此本文首先对基于传统词袋模型(Bag-of-words model,BOW)的SVM图像分类模型进行研究,分析了传统词袋模型存在的两点缺陷:视觉词信息表征准确性不高和灵活性差。本文根据这两个缺陷结合可对比性词及汉明嵌入技术,对传统词袋模型进行了改良,提高了词袋模型的鉴别力,并将改良后的词袋模型结合到SVM图像分类模型中,给出了一种基于高鉴别力词袋模型的SVM图像分类模型,测试结果表明其在分类的准确性及稳定性上都有较大的提高。传统的模版匹配模型对涉恐Logo数据存在着误报率较高、识别速率慢等缺陷。本文将上述基于高鉴别力词袋模型的SVM图像分类模型与传统模版匹配模型相结合,给出了一种新的模版匹配模型方案,从而实现了Logo识别模块。最后对上述实现的Logo识别模块进行模块性能测试和系统测试,模块性能测试结果表明:(1)匹配速率基本不受模版库大小的影响,单次识别时间稳定在0.6s以内,从而较好的解决了模版匹配运行速率慢的问题;(2)模版匹配后的数据经过SVM决策机制拥有较好的分类效果,使得非涉恐数据的误报率维持在0.1%以内。由系统测试可知,本文给出的Logo识别模块可以稳定的实现系统各种需求。