近年,互联网视频内容因网络流量的视频化趋势呈现混杂化发展,各种暴力非法视频充斥其中,对社会公共安全产生了严重影响。当下多媒体视频的数量与日俱增,暴力视频涉及的语义类型种类繁多,这都给暴力视频检测带来了极大的挑战。如何快速准确进行暴力视频检测已经成为计算机视觉领域的一个研究热点。目前深度学习在语音识别和图像处理等方面取得了巨大的成功,并展现出广泛的应用场景,因此将深度学习应用于暴力视频检测具有重要的研究价值。本文主要研究工作如下:(1)针对基于机器学习的暴力视频检测方法特征提取耗时高、时间和空间信息利用较少的问题,本文提出了融合YOLO和ConvLSTM的暴力视频检测算法,该方法能够较好地解决特征提取耗时高和视频时空信息利用较少的问题,对暴力视频检测性能也有一定提高。(2)针对YOLO V3算法中的DarkNet-53网络存在破坏图像空间结构和图像输入尺寸固定的现象,本文提出了改进的DarkNet-53网络,此网络可以较好地保留图像的空间结构,解决了图像输入尺寸固定的问题,还进一步提高了特征融合能力。(3)针对传统的ConvLSTM算法在训练的时候存在调优参数多和容易过拟合的问题,本文提出了基于全局平均池化层的ConvLSTM算法。此算法降低了空间参数,使模型更加健壮,抗拟合效果更佳。(4)论文实验在公共数据集Hockey、Violent flow、Movies和最新的RWF-2000视频集上来进行训练和测试。通过实验与比较先进的几种暴力视频检测算法进行对比,结果表明本文提出的融合YOLO和ConvLSTM的暴力视频检测算法总体检测准确率高,算法泛化能力更好。