随着智能化技术的发展,智能设备给人们带来极大便利。海量数据在传播和使用过程中存在着很大的信息泄露和非法利用的风险,频发的个人信息安全问题可能会给用户带来巨大的财产损失甚至人身伤害。目前,在较为成熟的人脸、指纹等生物特征保护技术基础上,人们越来越关注在智能设备应用中潜在的多媒体信息安全与隐私保护问题。实现隐私保护的前提是对隐私内容的准确检测与定位。其中,视觉隐私数据本身具有私密性、不可公开性等特点,在样本采集、标注等方面都面临很大的困难。同时,隐私内容的定义受个体主观性和场景差异性的影响,传统的基于深度学习的模型仅限于实现固定类别的识别,无法满足样本更新以及模型泛化性需求。因此,如何在少量标注数据情况下实现对隐私内容的准确识别与定位成为目前亟待解决的关键问题。针对小样本学习和视觉隐私目标检测中存在的问题,本论文主要完成了以下工作:（1）提出了基于深度聚合金字塔网络的小样本视觉隐私目标检测算法。融合经典的目标检测与小样本学习方法,设计网络共享方法保留模型参数。在深度学习方法强大的知识表达能力基础上,设计了深度聚合金字塔结构作为模型主干网络,通过语义与空间的深层融合,提取更多的表征信息和全局特征,使得模型可以快速从少量样本中学习,从而解决隐私样本数量少、标注成本高、新类识别等问题。通过实验验证了所提算法在不同数据集上对小样本目标检测的有效性,从而实现对视觉隐私目标的准确定位和识别。（2）提出了基于余弦补偿损失的小样本视觉隐私目标检测算法。通过改进分类损失函数提高模型的整体准确性,本文结合归一化处理与角度裕度优化的思想,在余弦交叉熵函数的基础上引入边界策略,同时提出了基于权重的补偿约束项,以满足最大类内距离小于最小类间距离的条件,进一步优化了样本不平衡问题,旨在引导模型在极少量标注数据中高效学习以提高算法准确性。实验表明,所提方法性能在PASCAL VOC数据集和COCO数据集上均取得了一定的提升。（3）提出了基于多任务的视觉隐私目标检测与保护系统。针对目前实际应用中对于不良视觉隐私内容的检测仅仅集中于简单的二分类问题,本文提出了联合训练策略。自制不良视觉内容数据集,保留多标签输出形式,实现对身体大面积裸露等不良视觉隐私目标的检测,从而满足实际应用需求。最后,本文针对不同的视觉隐私内容定义,实现在具体场景下的视觉隐私目标检测与保护系统展示,系统分为人脸目标、不良视觉隐私目标及自定义视觉隐私目标的识别检测,并对准确定位的隐私目标进行遮挡或加噪处理以实现隐私内容的实时性保护,满足数据整体可利用性的同时保护隐私部分内容。