近年来,随着安防行业的快速发展,其核心视频监控技术被广泛应用在各种不同行业。除了一些特殊领域如交通、治安、金融、银行等以外,在很多商场、写字楼、酒店、工厂、小区甚至家庭等场所都已经安装了监控系统,但由于各种各样因素的影响,视频图像经常不可避免的产生信号丢失、画面冻结、亮度异常、颜色异常以及噪点过多等失真问题,从而影响到使用者的主观感受以及对信息的获取。因此实现精准的图像质量诊断是一个重要以及亟待解决的问题。视频监控的场所千变万化,泛化性能较差的传统算法已经不能完美的解决这类视频质量分类的问题。而近年来,深度学习算法发展迅速,其强大的表达和学习能力,能够处理不同的复杂环境。因此本文以Caffe为实验平台,对其视频信息,提出一种基于深度学习的质量分类算法,主要工作内容如下:首先,详细研究了卷积神经网络的基本结构及训练基础,并提出了卷积神经网络模型常见的改进方向;其次,对无信号、偏色、雪花、遮挡、条纹、抖动、模糊、偏亮、偏暗、以及黑屏这10类异常属性进行定义,采集了共22503张图像制作图像标签,建立了视频质量图像库,并对数据做了相应的处理;接着,对深度学习传统训练方式进行改进,使用warm up方式研究了不同卷积神经网络在视频质量诊断数据集上的分类效果,进行比较发现改进之后的训练方式不仅使resnet18模型精度提高了17%左右,且识别时间减少1ms,因此初步选定Res Net18作为基础模型,然后,通过改进损失函数以及网络结构,提出一种改进的Res Net18模型,并在视频质量诊断图像库上,将改进模型与基础的Res Net18网络进行对比,结果显示,本文所提出的算法不仅使模型训练时间缩短至原来的五分之一,而且大幅减小了网络参数量,同时分类精度进一步提高了4%左右;最后,在图像分类的公共数据集cifar10上对本文提出的视频质量分类算法进行验证,实验结果表明,本文所提出算法确实有更好的识别效果。