如今监控视频已经普及到我们生活中的各个角落,随着监控设备大量的投入使用,如何保证庞大的监控系统处于正常工作状态已成为研究的热点课题,通过对现有的文献资料研究分析,影响监控视频图像质量异常有多种因素,有人为以及环境的影响,在设备投入的长时间使用中其本身也会出现各种各样的硬件故障,可以通过对视频图像的分析从而发现设备的故障情况,以提高维护人员的工作效率,所以对图像异常的研究分析有着实际的意义,在目前的监控视频图像质量检测方法中,大多需要大量前期的图像预处理工作如特征提取等,并且易受图像场景以及自然环境因素的影响,虽然能够在一定程度上识别出异常图像,但是影响图像质量的原因有很多,而由于人工干预太多增加了方法的主观性,导致其应用起来有着太多的局限性,并且建模比较复杂,而采用深度学习的方法能够有效的避免这些问题。论文通过构建深度学习模型来进行图像异常识别,主要的研究工作有,首先对深度学习的基础模型、使用工具caffe框架以及深度学习方法的分析,通过对采集到的监控视频图像分析,主要有偏色和摄像机角度两种异常情况,并通过人工将采集到的正常图像模拟了马赛克、清晰度、高斯噪声和椒盐噪声异常类型,然后对其进行分类标注,不仅增加了实验数据样本中的异常类型还增加了复杂环境因素的影响,将实验数据归一化处理并根据实验的需要设置合适的训练集、验证集和测试集,从而建立数据模型,其次是对深度结构的神经网络进行了详细的对比分析,了解其结构原理选择合适的方法并进行参数调优,最后对图像异常检测模型进行了相应的测试以及结果分析,通过测试的准确率表明了论文方法的可行性,然后与传统的机器学习算法进行了实验对比分析,将实验数据集中的偏色异常图像和清晰度异常图像进行相应的特征提取,然后用其来训练SVM和BP神经网络模型,通过对模型的测试结果来分析可知,深度结构的卷积神经网络模型具有更好的准确率,并且受干扰因素如光照以及场景等因素影响较小,对于复杂的环境有着更好的适应性,能够为监控视频图像异常检测识别提供参考。