近年来互联网技术发展迅速,信息的爆炸式增长使得人们可以在网上找到几乎所有自己想要的信息。互联网在给人们带来巨大便利的同时,网上的一些不法机构利用一些暴恐、不良的图片吸引人们目光。这些图片的传播困扰着广大网民,特别是青少年群体。如何对这类图片进行有效的过滤是一个重要的问题。近年来,深度学习在图片识别领域取得了巨大成功。本文基于深度学习技术,对现有深度网络进行改进,使得模型满足对特定类别图片识别的需求。首先由于属于特定类别的图片数量远少于不属于该类别的图片数量,特定类别图片识别任务存在样本均衡问题。其次,特定类别图片需要满足实时性,因此对识别速度有一定要求。最后,待识别的图片可能存在旋转的情况,因此模型需要有较好的鲁棒性。本论文的主要工作包括以下几个方面:(1)针对样本均衡问题,提出SVDD(支持向量数据描述)加深度网络的模型结构,提升对特定类别图片识别的精确度。(2)针对识别速度问题,提出基于inception结构的网络,提升模型在CPU模式下对图片识别的速度,以满足实际生产环境的要求。(3)针对旋转图片,在原网络结构中加入数据增强层,增强模型的鲁棒性,提升对旋转图片的识别准确率。从实验效果看,SVDD加深度网络的模型结构提升了特定类别图片的识别精确度,在测试样本不均衡时这种提升尤其明显。基于inception结构的网络在牺牲一定准确率的情况下,大幅提升了图片识别速度。加入数据增强层之后,模型对旋转图片的识别准确率有了明显提升。