当前网络不良视频传播呈逐步上升态势，带有各种色情、暴力等内容的视频的传播，不仅对社会风气和群众身心健康造成了不利影响，也是诱发很多刑事犯罪的主要原因之一。遏制不良视频内容的传播，不仅需要制定严格的法律法规，也需要相关判别审计技术的支持。因此，研究网络不良视频识别相关技术已成为非常紧迫的任务。　　 视频场景是对视频中某一特定事件的完整表述，通过某种视频场景，可以确定视频数据中是否包含相关特定的内容。因此，在网络不良视频审计中，通过识别不良视频场景进行不良视频内容判别是一种有效途径。视频场景在本质上是听觉、视觉等信息交互融合的结果，仅通过单一特征不能完整地表达场景内容。本文通过分析不良视频中的听觉特征和视觉特征，再融合听觉及视觉特征的方法来识别视频中的不良场景。文中首先根据不良视频数据中听觉信息的特点，提取相应的音频段特征，结合使用动态时间归整(DTW)算法和隐马尔科夫(HMM)模型识别出听觉信息中的不良语音段。然后在不良语音段所在的时间内进行关键帧提取，分析和提取了关键帧的特征，并融合多重特征判断视频关键帧之间的相关性。通过处理视频数据中的听觉信息和视觉信息后，所构造的视频场景即为在特定时间段上相关的关键帧组合，最后通过检测不良关键帧来判断所构造场景是否为不良场景。融合听觉及视觉特征的不良视频场景识别为不良视频审计提供了一种可行方法。　　 实验结果表明，本文的方法能够有效的融合视频数据中的听觉信息及视觉信息识别出视频中的不良场景，为判断视频内容为不良内容提供了可靠保证。