科技进步推动着社会的发展,在人民生活水平提高的同时也对安全防范提出了更高的要求,使得监控摄像头的使用逐步遍及生活中的各个角落。但同时,监控视频图像却由于各种不良因素的影响产生了降质问题,不利于监控图像的分析和使用,甚至阻碍了监控网络更好的实现安全效能。因此,本文提出并设计了基于神经网络的降质图像识别分类和增强方法,主要进行了以下工作。首先,针对监控视频产生的降质图像,设计了一个图像降质类型识别分类模型。该模型基于卷积神经网络设计搭建,并通过自建图像数据集在Tensorflow框架上进行训练和优化。实验结果表明,本文设计的模型能够对视频图像的降质类型进行准确的识别分类。其次,针对识别分类模型输出的降质图像,设计了两种增强方法。对于输出的低对比度降质图像,设计了直方图均衡结合径向基函数网络的增强算法,该算法使用神经网络建立输入图像与直方图均衡算法中某些参数之间的非线性映射关系,实现低对比度图像增强。对于识别分类模型输出的模糊降质图像,设计了以条件生成对抗网络为基本模型的图像增强方法。通过重新设计生成器和鉴别器以及重新定义损失函数,并使用匹配的模糊/清晰图像对训练,生成最优增强模型。最终模型可直接输入模糊图像,便可以输出增强图像,真正实现了自动增强。最后,对两种增强方法进行了主观评价和客观分析。实验结果表明两种增强方法简单高效,达到预期研究目的。