近年来,随着网络、大数据、人工智能的飞速发展,在网络成为人们生活中不可或缺的一部分的同时,自媒体行业也日益壮大。网络中不可避免的呈现出一些非合规图片。这不仅污染了网络环境,也在一定水平上影响到了人们的身心健康。其次,在信息时代的成长下,深度学习成为这个范畴比较突出的一个方面。一般来说,深度学习会耗费了大批的计算力和内存等。对神经网络来讲,神经网络越精密,所获得的成果就会越准确。这使得经过深度学习后神经网络模型体积较大,而较大的网络模型会加重嵌入式设备的负担,网络模型运行监测的速度和模型的大小对于嵌入式设备而言非常重要。因此能耗也成为人们重点存在关注的一个指标。本文主要研究面向仿生模型的图片合规检测,并经过实验验证本文算法的有效性,主要任务包含以下几个方面:（1）针对在数据不断发展下愈发泛滥的非合规图片,提出了一种基于YOLO（you only look once）的办法对合规图片进行目标检测。传统的目标检测算法对人力物力造成了大量的损耗,耗时较长,精度不佳。与传统的目标检测算法相比,使用基于深度学习的目标检测算法检测速度更快、准确度更高。为满足实验需要,建立了合规图片数据集,转化数据集为图片格式并将数据人工标记为适应YOLO算法的VOC格式并在此数据集上进行目标检测。通过对检测成果的速率、准确度和合规图片数据集在不同的目标检测算法上进行对照,表明本文算法可以更有用的在此数据集上进行目标检测。（2）针对网络中出现的非合规图片数量多、范围较广,造成的经过训练学习得到的目标检测模型往往体积较大问题。本文连系仿生学的思维,进一步在神经网络上利用剪枝的方式对模型进行紧缩处理。对于嵌入式设备来说,过大的网络模型会消耗大批量内存,降低设备的功用。在神经网络中,一些参数对最终结果的影响很小,且存在冗余,剪枝便是把这些过剩的参数剪掉。剪枝过后的网络模型变得更加轻便,达到了网络瘦身,降低内存,提高吞吐量的目标。实验结果能够表示,相比较于原网络模型,压缩后的模型在精度几乎不变的情况下缩小了体积,加快了检测速率。