在进行数字图像处理的过程中,视频图像的质量会受到硬件采集设备、图像处理方式、环境变化、噪声信号等因素的影响,出现失真和降质的现象,不仅会造成信息的损失,而且会影响后续图像处理工作的进行,因此需要检测与识别视频图像质量。传统的视频质量检测多依靠人工经验对图像的特征进行提取和分析,实现检测的目的。鉴于产生视频图像质量异常的原因有很多,且这些异常呈现出多样性、复杂性的特点,在进行实际应用的过程中,使用单一或者少量的特征对视频进行质量检测的可靠性和稳定性比较差。卷积神经网络模型是一种多层次体系结构,具有高容错性、并行计算能力和高效的计算特性,目前已被广泛应用于模式识别、智能图像分析等领域。它通过局部感受野、权值共享机制降低了结构复杂性,在参数的量上进行了减少,实现对目标图像特征的提取和学习。将卷积神经网络应用于视频图像质量的检测与分类,具有良好应用前景。本文基于卷积神经网络构建故障视频图像识别与检测的模型,实现对清晰度异常和偏色异常图像的分类,主要做了以下几个方面的工作:研究CNN的相关基础理论与相关应用,对BP算法、激活函数、池化等问题进行探究;通过对现有的几个显著应用模型文字识别系统、ImageNet模型以及人脸检测模型进行分析,归纳网络设置过程中数据集、网络层数等因素对模型的影响。设计和实现了故障图像识别的卷积神经网络结构,获得了特征模型,并通过扩大数据集、调整网络层数和网络参数等措施对模型进行优化。实验研究证明,本文提出的卷积神经网络模型能够对异常图像和正常图像进行区分,并取得了良好效果。