长期以来,监控视频的故障检测都由管理人员人工浏览,对于时间和人力的消耗巨大且难以保持24小时的持续检测,故障无法在第一时间发现并解决。文章将使用深度学习的方法实现对监控视频的全自动故障检测。深度学习是现在人工智能领域进步最大的技术之一,而卷积神经网络则是深度学习模型中在图像处理方面具有显著效果的代表。相较于传统神经网络,卷积神经网络可以自动对图像特征进行提取与学习,并给出精确的分类和预测,此外其对于图片的缩放、拉伸、扭曲都具有很好的鲁棒性。论文介绍了视频监控现在的发展情况,对其系统结构、各部分工作原理以及特征进行了详细描述,并且针对监控视频中最常见的故障根据现象进行了分类,详细阐述了各种故障情况的特征、发生原因,罗列了故障对应的多种处理方式。随后,引出了图像质量评价的手段,文章结合了客观评价的方法和视频监控系统的特点及评判标准,构建了一套适用于视频监控故障判断的全新标准,并通过MSCN归一化处理和卷积神经网络模型实现了视频故障判断。之后,对基础的卷积神经网络模型进行优化,通过改变预处理手段和Leaky-ReLU激活函数及交叉熵代价函数的引入,使调整后的网络更适应于监控视频的特征,实现对于监控视频常见故障的精确分类。最后,基于上述内容设计了视频监控故障检测系统。系统具有两阶段的结构,在第一阶段基于图像质量评价的方法,判断图像是否存在故障,最大限度的降低了漏判的可能性;第二阶段通过多分类的卷积神经网络对故障图像的故障情况进行辨认,系统在判断精确度上相较于现有的算法有一定的优势。根据最后测试结果,本文算法的故障判别精确度相较于传统分类算法的89.1%提高到了93.9%,在得到判别结果的基础上对其进行故障分类的精确度达到了93.1%。从测试结果可以看到,此系统避免了因不识别故障特征导致的漏判,大大提高了检测范围和精确度,并且根据卷积神经网络的特征,可在投入使用后方便的进行优化,扩大识别范围。