公共安全视频监控建设联网应用,是新形势下维护国家安全和社会稳定、预防和打击暴力恐怖犯罪的重要手段。由于各种内外部因素的影响,安防监控视频中会引入各种不同程度的失真问题。传统的盲评价算法主要针对特定失真类型的静态图像,而本文需要考虑更为复杂的场景内容,实现失真类型未知条件下的盲视频质量评价。因此,本文结合模式识别和人工智能技术对盲失真类型视频的盲质量评价问题展开相关研究工作。针对监控视频盲失真类型的识别问题,本文提出一种基于卷积神经网络(Convolutional Neural Network,CNN)的视频盲失真类型识别方法。该方法由样本视频取帧得到静态图像,并将静态图像分割成较小的图像块作为卷积神经网络的输入,引入正负例均衡化和自适应学习速率减缓过拟合和局部最小值问题,由训练好的CNN预测图像块的失真类型,利用多数表决规则得到原样本视频的预测类别。针对盲视频质量评价问题,本文提出一种基于卷积神经网络的混合学习模型。先将图像的基准分值取整作为标签训练CNN,再将CNN提取的特征作为SVR的输入训练回归模型,得到预测评价分值。模型中采用全局池化的方式替代传统的局部池化方法,能大大减少特征维度,更好的提取图像的统计特征。为了探索监控视频树叶遮挡异常在无标签条件下的检测问题,本文提出一种基于深度神经网络的树叶遮挡检测方法,并取得理想的效果。