互联网的普及给人们的生活带来了巨大地改变。现如今,在社交平台上分享自己的日常动态成为人们生活的一部分,但由于用户疏漏等原因,这种分享行为背后,有时会造成个人隐私泄露的发生。在互联网时代,图像作为一种常见的数据类型,包含在图像中的隐私具有隐蔽性、主观性等特点,人们往往很难察觉图像中是否包含隐私。因此,鉴别出图像内容是否存在的隐私泄露风险变得尤其重要。图像隐私感知技术是指通过图像隐私感知算法提取出图像隐私特征,然后利用特征构建分类器对图像隐私进行鉴别的技术。与一般图像分类任务相比,图像隐私感知任务具有类内差距大,类间差距小等特点。近年来,随着深度学习技术的快速发展,在图像隐私感知任务中,深度学习技术呈现出较大的优势,基于深度学习的图像隐私感知方法受到越来越多人们的广泛关注。本文针对上述图像隐私感知任务的特点,结合深度学习在图像分类任务的最新进展,提出利用深度学习的研究方法和图像的多标签隐私属性进行结合的方法。该方法能够有效地提升图像隐私感知任务的性能,同时对图像中存在的隐私区域进行定位。主要改进点包括改进双线性CNN网络结构,使得模型能够关注图像局部特征和物体级别特征;加入多标签隐私属性,使得网络学习目标从单一的隐私目标到具体的图像隐私类别,更好地表现出图像中存在的隐私类别;根据卷积层特征生成热力分布图,再利用HSV颜色空间模型对隐私区域进行选择,从而进一步完成隐私区域的定位。在研究期间,本文进行了大量的实验对图像隐私感知模型的有效性进行验证。其中,为了验证本文所提出的图像隐私感知模型提取特征的鲁棒性,本文收集了9000多张图像构建Sniffdata数据集对模型性能进行分析,在该数据集上的准确率为96.9%。同时,为了验证模型的泛化能力,我们使用PicAlert和VISPR两个公开数据集对模型性能进行评测。根据实验结果显示,在PicAlert图像隐私数据集上的准确率为87.7%,在VISPR多标签图像隐私数据集上的平均精度均值(mAP)为47.54%。通过分析实验结果可知,本文所提出的改进点能够有效地提升图像隐私感知模型的性能。