暴力检测在音视频检测领域具有十分重要的地位,有着重大的研究意义。在安防领域快速检测出暴力行为,有利于减少人员伤害。在体育竞技方面检测出暴力行为有助于比赛公平性。但是随着互联网和流媒体的发展,人工检测无法满足速度的要求,这就需要一种更好的方法来完成暴力检测。当下大多数暴力检测主要在视频方面,检测种类单一,忽略了其他模态的暴力检测,导致暴力检测率不高,因此需要一种结合多种模态特征的暴力检测技术。首先,本文采用一种新的网络模型分别对音频和视频进行暴力检测。将视频和音频对齐并进行分帧,在视频模态方面,将一段时间的帧序列作为卷积神经网络（Convolutional Neural Network,CNN）的输入,提取到对应的特征。之后将对应的特征信息送入优化后的卷积长短时记忆网络（Convolutional Long Short-Term Memory,Conv LSTM）中,将一系列隐层状态使用softmax获得对应的权重,并按权重分配对应的隐层状态,最后通过全连接层得到分类的概率。在音频模态方面,先将对应的帧长的音频生成对应的语谱图,将对应的语谱图序列输入到同视频检测相同的网络模型中,最后获得分类的概率。其次,本文进行视觉和听觉双模态融合的暴力检测。分别使用两个CNNConv LSTM获得视觉模态和听觉模态的隐层输出,再对两个输出加权求和并通过tanh函数归一化到-1～1,再通过softmax获得每个隐层状态对应的权重并将对应权重分配到对应的隐层输出中,最后通过全连接层得到分类的概率。最后,本文采用注意力机制和双向网络进行优化。将多头自注意力机制用于提取到的特征中,并在不同子空间获得的投影进行连接,获得对应的融合特征并作为Conv LSTM的输入。针对Conv LSTM采用前向和反向结合进行优化,将两个张量进行连接作为隐层状态的输出,再利用提出的网络模型获得对应的结果。本文证明了提出的CNN-Conv LSTM权重网络架构以及通过音视频模态子网络进行特征融合与前人的研究相比,在对应的数据集上相应的检测指标有所提升,在Hockey Fight数据集上具有98%的准确率,高于当前最高的97%。并且使用双向网络和自注意力机制能够进一步优化。本文的意义在于提出一种更好的网络架构来提高暴力检测的准确率,并在日后实际应用中能够减少一定程度的误检。