随着互联网技术以及移动通信技术的迅猛发展,人们获取信息的方式变得更加便捷,途径更加多样化。在这些信息中往往混杂着大量的敏感信息,这些敏感信息包括一些色情图像和反动文字等,敏感信息的传播对青少年的身心健康和社会的和谐稳定带来了不利的影响。因此如何过滤掉图像中的敏感信息成为一个重要的研究课题。为此,本文从不良图像检测与图像文本识别两个方面对图像中敏感信息检测方法进行较为深入的研究。论文工作涉及到计算机视觉和统计机器学习的相关理论,研究成果可以为打击敏感信息图像传播提供技术支持。传统的不良图像检测算法中肤色信息往往被作为预处理步骤,没有考虑到颜色信息在不良图像中的敏感器官处的分布特征。因此,本文采用高斯混合模型提取人体敏感器官的颜色特征,并且采用梯度方向直方图作为形状特征,将两个特征相融合,并将其输入到可形变模型中,利用隐含支撑向量机模型训练人体敏感器官形变模型,并将这个模型用于不良图像检测。测试结果优于仅仅采用形状特征的方法,并且相较于传统的词袋模型的方法提升了检测率的同时大大降低了误检率。现有的文字定位方法中往往忽略掉了图像中文本所包含的颜色信息。考虑到图像中相同颜色的字符往往分布在位置相近的地方,本文利用这一点来降低字符的漏检率。首先,对于输入图像进行笔画宽度变换得到大致的文本位置,然后根据文本位置信息得到字符的颜色先验,基于字符的颜色先验知识结合最大极值稳定区域的方法定位可能含有字符的连通区域。相较于传统的字符定位方法,该方法在查全率上有明显优势,为后续文字识别提供了尽可能全的文字候选区域。传统的字符分类器技术对于字体几何形变较大的情况效果不甚理想,而现在随着深度学习方法的日趋完善,使得这个问题有了更好的解决方案。本文将所得到的连通区域根据其相互之间的位置、大小等关系预先排除掉可能性较低的候选区域,然后利用预先训练好的深度学习模型分类器得到精确的文本区域定位与识别效果。在标准数据集上的测试取得较为满意的结果,并且将识别算法与我们提出的文字定位方法的结果相结合,提升了文字定位的准确度。