随着新媒体信息爆炸式增长,如何有效地检索识别出敏感内容,满足执法机构保障互联网舆情的需求,是科研工作者的重要课题。经过对敏感数据的分析研究,逐渐形成了以深度学习视图检索为核心的检索架构。本文课题的研究基于中电某所“互联网内容监管平台LCBIR”项目。课题要求将视频图像等数据抽取、压缩、编码并构建出索引数据库,对多媒体平台推送的信息数据进行检索识别和分析判断,能够有效地甄别出海量信息中的敏感内容,为平台相关子系统提供重要分析线索。本文重点研究如何利用基于内容的图像检索(Content Based Image Retrieval,CBIR)技术快速检索出敏感内容数据。在CBIR技术中,图像特征提取方案与索引检索算法直接决定了系统检索性能。首先,针对传统特征提取算法过程繁琐、内容表示能力不足、优化潜力有限等缺陷,本文对基于深度学习的图像特征提取方法进行分析研究,并结合局部聚合描述符向量与难采样三元组损失函数,给出了一种改良后的残差网络,增强了所提取特征的局部不变性与表达能力,同时提出了一种利用改良残差网络的图像特征提取方案。其次,通过对大规模索引检索的需求与检索策略进行分析研究,为满足大数据处理、高特征维度、适配索引数据库、响应迅速的特点,结合近似最近邻搜索策略,本文提出了一种基于倒排索引改良的乘积量化算法并实现。通过划分特征维度空间,改良算法以非线性方式遍历索引库的指定范围,以此减少多余的计算过程,达到了索引数据动态增删的目的,有效避免了在实际应用中因重建索引库而产生的高昂运维成本。最后,对上述工作进行模块性能测试与系统测试。模块测试结果显示:(1)改良后的乘积量化索引检索算法在召回率、耗时与索引大小上均优于MLSH、PQ、HNSW算法;(2)利用改良残差网络对图像特征提取,对比现有的图像特征提取方案,在CBIR的四大性能指标上均有显著性提高。系统测试结果显示:本文给出的CBIR满足了敏感视图检索系统的各种功能需求,达到了对敏感内容的高效识别。