随着信息技术及互联网技术的发展，人们更加易于获取大量的有用信息，但是淫秽、色情等不良信息的传播干扰了正常的网络体验，严重危害着青少年的身心健康，带来了严重的社会问题。因此，不良图像过滤技术成为了一个重要且亟待解决的研究课题，引起了研究人员的关注。本文针对不良图像检测相关技术进行了深入研究，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色情图像传播提供技术支持，主要研究成果如下：1.基于最稳定极值区域分析的肤色检测算法在肤色距离图像上分析肤色，算法采用的纹理映射距离基于灰度的欧式距离，易导致肤色提取的不准确。针对以上不足，本文采用最优近邻差异测度来度量图像相邻像素的纹理相似性，在最稳定颜色区域算法中引入肤色测度，提出了最稳定肤色区域检测算法，并在中科院计算所肤色数据库上对算法进行了测试，测试结果优于基于最稳定极值区域分析的肤色检测算法，在假阳性率为8.2%的条件下，真阳性率提高4%。2.不良图像的复杂性使基于低层特征描述的不良图像检测算法具有较高的假阳性率，词袋模型因其在语义描述上的优势成为不良图像检测极具潜力的发展方向之一。鉴于词袋模型常采用的尺度不变特征变换特征未包含颜色信息，而颜色信息是不良图像的判别的重要线索，为此，本文提出了结合颜色注意和词袋模型的不良图像检测算法，分析三种颜色和形状字典融合方法的优劣，并在数据库上进行了测试，在假阳性率为20%的条件下，较传统的基于词袋模型的不良图像检测算法，真阳性率由80%提高到93.2%。3.为了避免词袋模型算法对码本的依赖性并使检测模板具有更强的语义信息，本文提出了基于快速模板匹配的不良图像检测算法。算法将手工标记的关键区域作为模板，利用快速模板匹配算法生成图像特征描述，并应用基于bagging的分类方法实现不良图像检测。算法在数据库上进行了测试，在假阳性率为20%的条件下，较传统的基于词袋模型的不良图像检测算法，真阳性率由80%提高到91.5%。