科技在发展,电子政务正在逐步取代传统的政务处理方式,在给人们带来便利的同时,也带来了泄密的风险。诸如办公电脑中毒和非法拷贝涉密数据等很多泄密风险在威胁着计算机系统安全和国家机密。TIPTOP文档操作安全审计系统就是一款专门对政府办公电脑上的涉密信息进行监控和过滤的系统。由于技术限制,此系统只能对文字内容进行涉密识别,无法对图片内容进行识别,可是当下信息的普遍存储方式已经越来越多的使用图片或者视频格式,因此开发一种对涉密图片识别的算法迫在眉睫。所以本文通过使用深度学习技术来设计涉密图片识别算法并完善文档审计系统。涉密图片识别算法对输入的图片进行扫描和涉密判定,输出涉密图片并在图片中标记涉密信息所出现的位置。本文的主要工作包括:1、介绍TIPTOP文档操作安全审计系统,结合此系统不能识别图片的局限性,提出了实现涉密图片识别算法的设想。2、阐述深度学习和卷积神经网络原理,通过对比ILSVRC中卷积神经网络和传统图像识别算法在准确性上的巨大差别,说明使用深度学习的正确性。3、详细介绍Faster R-CNN、R-FCN、YOLO、SSD这些常见的目标识别算法的概念与内部结构,然后通过不同算法在mAP、训练时间、不同图片大小和分辨率的表现进行对比。最后通过对比结果,选择表现较好的Faster R-CNN和SSD进行对比实验,并针对涉密图片存在大量小目标的特性,研究两种算法在小目标识别能力的差距。此外,本文还研究了不同硬件对训练时间的影响,明确了使用GPU进行计算的优势。4、利用迁移学习原理,通过实验软件和硬件的选择、数据集的收集与处理、预训练模型的选择和模型训练完成涉密图片识别算法。最后分析Faster R-CNN相对于SSD在涉密图片识别算法中的优势,总结涉密图片识别算法的实现对于文档审计系统的影响。