监控视频在获取以及传输过程中都会必可避免地产生各种降质，失真，这些不仅会降低人们观察视频时的主观感受，而且会对视频的后期处理和应用产生影响，这些应用包括运动目标检测、字符识别、行为分类等等。目前的视频质量评价算法通常被分为主观评价和客观评价两类。主观评价算法是指由观测人员观看视频后根据主观感知直接给出品质等级的判断；而客观评价算法则试图由计算机技术代替人眼做出自动的快速评测。客观评价算法将人从繁重枯燥的工作中解脱出来，因而成为研究的主流，学者们先后提出了统计模型评价算法、基于视觉系统仿真（HVS）的评价模型、以及基于结构相似性（SSIM）的算法。本文在实践的基础上对这些算法进行了论述，并且针对各种主流算法的优缺点进行了探讨，并据此提出了主客观结合的综合评价系统。算法中用非线性回归模型将训练样本的结构信息、主观评价级别与样本视频的客观表征参数结合起来，对回归模型进行训练。在训练完成后，用该模型对待评价的失真视频进行品质评估。该算法的优点是评价过程并不需要有一个理论上质量完美的基准视频作为参考，而且评价机构可以根据对视频的特殊需要进行调整，只需要在样本训练阶段修改评价标准和评价级别。但是非线性回归算法也有一定缺点：回归算法的推广度低，且适应性不好。本文通过引入图像多尺度变换的方法，对回归模型进行改进。改进后的算法经试验证明在对视频进行品质分类的过程中有很好的准确性和鲁棒性，而基于学习算法的模型其适应性也能达到要求。现有的视频质量评价算法都是基于帧图像的品质测定的，然而监控视频对于品质的要求有其自身的特点：一般来说监控领域对视频动态信息的稳定性、连贯性，以及信息的完整性有着比较苛刻的要求。仅仅针对静态帧图像进行质量评定不足以反映视频的这些动态特性的健康程度。基于此，本文提出用相邻帧间错位差法来衡量帧间信息的连贯性和用区域熵法衡量视频信号的健康程度。随后的实验结果表明这两种算法做出的判断与实际需求较为契合。