互联网的迅猛发展,促进了互联网广告业的发展,网络广告占据了整个网络,如今大多数网站都或多或少包含某种广告。广告虽然可以为网站或企业带来收益,但是也给网络用户获取有用信息造成了干扰,因此,研究如何识别网络中的广告具有十分重要的意义。对于目前广告商使用较多的图片广告和文本广告,已有的图片广告识别大多通过规则匹配来完成,需要经常更新规则,实时检测的效率还需提高,基于多维特征的识别方法,特征提取较为复杂;而对于文本广告的识别忽略了短文本的数据稀疏性、较少考虑文本的语义信息,导致识别率不高。为了解决当前技术存在的问题,本文对图片广告的URL和文本广告的语义信息进行研究。首先,针对规则匹配方法实时检测效率不高,基于多维特征提取复杂的问题,提出了一种面向实时流量的WEB图片广告识别方法。通过研究图片广告的链接特征,结合机器学习的SVM分类算法,提出了基于图片广告链接特征的SVM识别模型。通过与基于规则匹配的Quero模型、基于DOM结构的多特征识别方法和基于图片内容的识别方法进行对比识别结果的准确率、精确度、召回率和F值,验证了本文提出的仅使用URL地址的单一维度特征,可以在不降低准确率的同时,提高实时检测的效率。其次,针对现有的文本广告识别方法忽略了数据的稀疏性,较少考虑语义信息,识别准确率有待提高的问题,提出了一种面向短文本内容的文本广告识别方法。通过研究文本的语义信息,结合卷积神经网络,提出了基于语义的卷积神经网络识别模型。通过与传统的TD-IDF识别方法和基于主题模型的识别方法对比准确率、精确度、召回率、F值,验证了所提出的使用文本的语义可以提高识别结果的准确率,同时模型的整体性能也有所提高。