随着视频监控系统应用场景越来越广、集成规模持续增大、数量不断增加,视频监控系统要求实时在线,在长期运营过程中由于多种原因造成系统环节出现各种各样的故障问题,从而影响到视频图像的质量。为了保证前端系统环节设备正常工作,视频质量诊断研究发展迫切,成为解决这类问题的重要途径。利用人工检测故障问题存在很多不足,因此,本文针对视频监控的各种故障类型情况,对基于深度学习的视频监控质量诊断算法进行探讨研究,为后期的监控设备运维工作提供相关技术支持。论文主要工作如下:论文首先分析了监控系统的构成,研究了实际运用视频监控故障类型以及形成原因,通过分析目前的视频监控质量评价方法,对其进行分类与介绍,归纳总结了常用的算法特点和存在的缺陷。视频监控质量特征提取与诊断指标问题进行深入调查分析,针对各类视频故障类型特征提取,总结了合适的视频监控质量诊断标准。然后,介绍了深度学习相关理论及发展,论文分析了深度学习在诊断过程中的重要性,研究了CNN网络的发展变化,总结归纳了在特征提取过程中CNN网络的优势,分析对比之后,本文采用网络容易扩展,结构简单,性能较好的VGG网络和Goog Le Net网络作分析。根据深度学习对设备的要求,搭建了实验需要的硬件,软件环境。通过对TID2013数据库扩展,收集整理了比较全面的适合深度学习的数据集。经过数据集预处理,得到网络的输入,搭建深度学习神经网络框架,调整模型参数。进行网络的训练。读取训练好的网络模型完成测试。最后,论文根据分析得出的深度学习的视频监控质量诊断模型方案,实现了基于VGG深度学习视频监控质量诊断算法,用其完成异常检测实验,用Goog Le Net实现图像诊断识别率实验。结果表明本文采用的方法与传统算法相比可以得到更好的诊断效果。本文方法具有准确率高,适用性强等特性。本文立足于对视频监控质量的研究,利用深度学习网络构建有效的视频图像质量评价诊断模型。通过论文工作,扩充的适合有效的数据集,工作也为视频质量诊断研究,视频监控服务的优化等各个方面提供技术支撑。