随着通信网络的迅速发展以及智能终端用户的快速增长,短信、彩信、微博、QQ、微信等即时信息发布工具被广泛普及应用,它们都具有使用便捷、传播速度快的优点。其中,除短信之外的其它工具都可以同时携带图片信息和文本信息,因而得到更多的应用。然而,由于信息来源的多样化与随意性,其所携带的内容往往包含有不良的图片与文本信息。为此,必须采用基于内容的信息过滤手段,对图片与文本内容进行识别、提取、分析,实现不良信息的监测过滤。传统的信息监控分析模式,一般是基于软件自动监测加人工审核来实现,其在响应速度、处理效率、人工成本等方面存在先天缺陷。现代自动监控分析技术主要基于各种机器学习算法,可以较好地解决传统模式的问题,但是面对如今更为复杂的海量信息以及特定的应用场景,它们在成本和性能方面也往往难以令人满意。此外,计算环境和自然语言处理技术的不断完善,为信息自动检测与过滤技术的深入研究与应用奠定了良好的基础。为此,本文首先对目前常用的图片信息和文本信息监测分析算法进行了深入研究分析;在此基础上,对两种CNN模型VGG19和ResNet 50在不良图像内容识别中的性能进行分析比对和测试验证,并选择性能较好的ResNet50模型应用到实际应用平台中;提出了一种基于BP神经网络+Word2vec的文本分类模型来实现文本信息的自动监测分析,并使用实际数据对它们进行了有效性验证。最后,以电信手机报信息发布系统为案例,针对不良信息的分析与监控,实现了上述研究成果的实际应用,验证了其可用性。目前,相关应用系统已投入实际运行,取得了良好的监测分析效果。