随着视频监控技术的高速发展,用户对于视频监控产品在功能完善度、画质清晰度和性能稳定度等方面提出了迫切需求。然而由于视频源的采集系统内外部环境的变化,实际感知噪声的干扰均会导致视频质量不同程度的退化。针对上述需求,本文以安防监控视频中的树叶遮挡现象以及清晰度异常为典型研究对象,结合深度学习技术开展对实际监控视频中干扰检测的相关工作。论文的工作包括以下两方面:首先,介绍了深度学习的相关理论和发展,重点介绍了卷积神经网络及相关应用,分析了卷积神经网络在计算机视觉领域的应用优势。其次,回顾了安防视频监控领域中常见的视频干扰检测方法,介绍了目前图像质量评价检测算法的国内外研究现状,总结了有关图像干扰检测的主要算法和其优缺点。最后概括了监控视频干扰的种类,并着重分析了树叶遮挡检测和视频清晰度评价的相关问题。针对监控领域的树叶遮挡问题,提出了一种基于卷积神经网络和统计分类模型相结合的二步式检测框架。该框架的第一步使用了卷积神经网络来定位树叶出现的区域,再利用先验性统计得到的视频中不同区域树叶出现的概率,结合贝叶斯最大后验概率模型完成对树叶遮挡的检测。对于清晰度异常检测问题,由于清晰度或者锐利度缺乏一个较为精确的标准定义,所以对于模糊干扰的检测难以采取二分类的方法解决。模糊干扰检测问题本质上是清晰度质量评价问题。针对清晰度质量评价的方法大多基于自然图像统计数据,如基于边缘的方法、基于频域信息的方法等。本文使用卷积神经网络方法,通过改变卷积神经网络结构完成对视频图像清晰度的质量评价。最后通过实验验证了以上方法的有效性,证明了上述方法可以满足如今安防监控系统对树叶遮挡检测和清晰度评价问题的主要需求,表明了本文提出的方案具有可行性和应用价值。