随着互联网的快速发展和智能手机用户数量的增长，通过Internet访问和传播敏感(色情)图片变得非常容易，识别并过滤互联网上的敏感内容对于未成年人的健康成长和互联网的发展至关重要。近年来，基于卷积神经网络的敏感图像识别方法已经基本取代了传统方法，此类方法通常将敏感图像识别当作一般的图像分类任务，即从整幅图像中提取特征并进行分类。但是由于敏感图像的特殊性，敏感部位一般出现在整幅图像的局部，因此仅依赖从全局提取的特征会使得识别的准确率过低。
　　为解决这一问题，首先提出一种基于弱检测机制的卷积神经网络模型，该模型基于目标检测算法的局部检测机制以及基于多实例学习的模型训练策略，模型能够从全局和局部进行图像识别。通过采用弱检测损失函数和相应的训练策略，该模型只需利用图像级的标签就可以进行训练，无需进行目标框的标注。然后又从细粒度分类的角度考虑该问题，提出了基于细粒度特征的敏感图像识别算法，该算法能够逐渐由粗到细的挖掘图像中关键部位的细粒度特征，从而提升敏感图像识别的性能。为实现细粒度特征提取，提出了基于注意力机制的主体目标定位模块及基于滑动窗口的关键部位选择模块，通过结合全局特征、目标特征和关键部位特征的分类结果，细粒度模型能做出更准确的识别。
　　为验证弱检测模型的有效性，在WDPorn和PosterPorn数据集上进行了大量实验，实验结果表明弱检测机制能够显著提高模型在敏感图像上的查全率和整体识别的准确率，然后在公开数据集Pornography-800上与现有的一些先进方法进行对比实验，实验结果显示弱检测模型超越了目前大部分的先进算法。为验证细粒度模型的有效性，在TinyNude数据集和Pornography-800上进行了大量实验，证实了细粒度特征对于敏感图像识别准确率的促进作用，实验的结果充分证明了细粒度模块的有效性。