随着计算机技术的迅猛发展和社交媒体的广泛普及,散布在互联网平台上的数字图像和文字呈爆炸式增长。网络文化在给人们的生活提供信息和带去方便的同时,也肩负着巨大挑战。越来越多的不良信息逐渐隐匿在网络世界的各个角落,极大的危害着国家的信息安全、社会治安、以及人们尤其是未成年人的身心健康。除了从根源消除外,对于已散布在网络上的不良信息和图片,国家安排专门的人员对其进行人工核验、消除或者打码,但是工作量过于庞大。随着深度学习技术的不断进步,依托这一技术中的图像特征检测,极大地提高了鉴别的速率和准确率。尽管目前市面上也有不少公司经营着相关的检测服务,但是由于经营的服务过多,对于敏感图片的检测服务更像是“附属品”。同时由于网络的不稳定、带宽限制等诸多因素的影响,就可能出现较大响应延迟,这会严重影响用户的体验。如何提供更快更精准的敏感图片的检测服务,并且把规模庞大的服务分配到有限的节点中,增加用户满意度,达到负载的均衡,这成为了当下需要解决的难题。针对上述问题,为了实现多框架支持及高性能的支持,需要通过研究和优化粒子群优化算法,将算法应用于敏感图像检测服务的调度策略中,使服务调度更能满足市场所需。整篇论文首先会通过验证函数对优化后的粒子群算法和标准的粒子群算法进行对比和验证;接着利用Cloud Sim搭建一个虚拟仿真环境,对优化后的粒子群算法以及优化前的粒子群算法进行实验,通过实验数据分析得出优化后的粒子群算法更加符合课题所需。通过Tensor Flow和Py Torch两个框架和web前后端技术应用,使服务可以实际化操作,整个界面提供对敏感图像的深度学习训练和推理接口完成对应的图像检测服务,同时该平台还集成了图像预处理的功能,帮助工程量较少的用户提前完成预处理工作,提高整体的检测效率。