随着网络技术和移动终端技术的高速发展，越来越多的视频业务映入人们的眼帘，面对多变的网络环境，如何采用有效的方法来保障视频的客户体验质量是一个迫在眉睫的问题，尤其是如何保障视频的在线质量监控将是未来视频质量工作研究的热点。　　 传统的视频质量预测模型大多数集中在全参考预测上，即必须要有完整的源视频文件进行对照，此类方法准确性虽然高，却并不适用于实时在线监测和源不可知的情况。以往的视频QoE预测模型大多是基于QoS参数的，考虑了网络层，物理层，应用层各单层的QoS因子进行预测，而没有考虑视频的内容特性因子对QoE的影响，也未能引入跨层设计的思想，因此准确的说只是QoS层面的预测，不是真正意义的QoE预测模型。　　 本文重点对视频的客观评价方法做了相关研究：从如何保障QoE出发，基于视频内容特征，对影响QoE的QoS因子进行了详细的分析，并综合所有重要因子建立了视频质量预测模型。本文的主要创新点包括以下几个方面：　　 (1)提出了一种基于视频内容分类的跨层质量预测模型。该模型是一个基于视频内容的半参考预测模型。首先从源视频提取时域和空域特征因子，利用聚类方法对视频进行了分类；随后基于跨层设计的思想，将提取的空、时域因子合并为能够定量反映视频内容特性的因子CT，再结合应用层和网络层QoS因子建立了一个基于视频内容分类的非线性回归预测模型。通过与其他的经典模型的性能进行比较，显示该模型与主观评测结果具有较好的一致性。　　 (2)详细分析了网络层和应用层的QoS因子对视频质量MOS预测值的影响。这些参数包括误码率(PER)，编码帧率(FR)，量化阶数(Qscale)，最大传输单元(MTU)，发送比特率(SBR)等。该分析思想可以进一步用于视频监控与多媒体业务分流等领域。　　 (3)提出了一种基于径向基神经网络的非参考视频质量预测模型。考虑到视频的在线监测场景和存在源视频不可知的情况，在(1)的基础上，基于失真视频建立了一个非参考的径向基神经网络预测理论模型。采用了具有抗尺度变化，抗光照，一定程度抗噪声的SIFT特征提取算法，结合视频帧间运动向量因子MV，从而将局部特征转化为全局特征，来作为视频序列的内容特征因子，全面地反映失真视频的内容特性；结合从(1)中提取的网络层和应用层因子，采用可以逼近任意复杂函数的径向基神经网络进行训练，验证训练后的数据库得到视频质量的预测值。