互联网的使用和普及很大程度上为人们的日常生活提供了便利的条件，尤其是移动互联网的兴起更是带动智能移动终端等先进技术的流行，图片和视频的使用使得信息得以迅速传播，但隐藏在其中的不良内容给移动互联网用户以及移动平台运营商带来了极大的侵害和不良影响。　　针对移动互联网更新速度快、信息量庞大的特性，传统的依靠人工拨测以及半人工的不良视频检测方式在效率上无法满足实际的监管需求。另外，受到移动互联网上视频质量以及内容的制约，传统的肤色检测和人脸检测方法会出现较多的误报或漏报。本文在已有以辅助人工审核为目的的移动互联网不良图片检测系统的基础上，针对移动互联网中的不良视频检测的若干关键技术进行深入研究，以提高视频检测的准确度、减少人工审核的工作量以及提高审核的效率为目的进行研究，主要包括:　　(1)在识别视频帧内容问题中设计了一种加入皮肤区域平均粗糙度和矩不变量特征的神经网络分类器。通过对联通分支轮廓形状的描述，增强系统对形状的描述能力，使得系统对皮肤检测的误报鲁棒性更强，并将检测率提高5-10％。　　(2)针对移动互联网上提取出的视频帧分辨率较低的特性，实现了一种基于凸集投影方法(POCS)的帧效果增强方法，能够在检测中提高皮肤检测以及人脸检测的效果。　　(3)设计了一种基于MPEG-7颜色布局描述符的聚类算法。通过捕捉帧块的代表性颜色的空间布局，使用K-means算法对特征向量进行自动聚类，并选取最小的聚类中心序号作为帧的分类类别，使得人工审核员在较短时间内审核大量视频帧，提高审核效率。　　(4)提出了一种通过反馈学习来增强检测器性能的方法。将审核完的帧以及视频帧内容按照是否存在人体，皮肤检测是否失效等条件进行归类，针对分类器弱点的增强学习方案，利用人工审核的结果，改进分类器的准确率。　　基于上述工作，本文利用视频以及图片处理技术设计并实现了一个人工辅助的移动互联网不良视频检测系统，经实际使用并测试，在保证95％以上检出率的同时，降低人工工作量87％。