在线视频行业激烈的市场竞争使得保持良好的视频质量至关重要,因此有效地检测视频中的受损视频帧成为了一个重要的课题。传统受损视频帧检测算法直接从马赛克的边缘特征出发,受场景影响严重、检测准确率较低。近年来卷积神经网络被广泛运用于图像处理领域,并取得了良好的表现。然而卷积神经网络中存在着巨大的运算量和参数量,因此,本文将其运用到受损视频帧检测中,并通过设计合理的网络加速和网络压缩算法,在提高检测准确率的同时进一步优化网络模型。本文研究内容如下:1.为了解决传统受损视频帧检测算法准确率不高的问题,本文利用卷积神经网络中的扩张卷积、残差学习、稠密连接等技术构建小型的受损视频帧检测模型。实验结果表明,此检测模型能够很好地适应不同的视频场景,具有极高的准确率和稳定性。2.为了满足视频帧检测的实时性要求,通过分析卷积神经网络运算耗时的原因,本文设计了基于特征图通道分解和卷积核通道分解的网络加速结构Group-Inception。结果表明,该结构在保证卷积效果的同时,能够大幅减少运算量。3.为了满足视频帧检测的低资源消耗要求,通过分析卷积神经网络中参数量的来源,本文提出了新的网络剪枝算法来压缩网络。首先,通过对网络权重和数据传播过程的分析,提出了基于数据流动的节点重要性评估算法;然后,为了避免由于评估样本较少而误剪枝,引入了记忆力机制;最后,结合节点重要性评估结果,提出了基于重要性采样的软剪枝策略,进一步提升了剪枝的稳定性。结合上述的研究内容,本文构建了网络加速和压缩的网络优化闭环,通过迭代训练得到最终网络模型。优化后的网络模型相较于传统神经网络,在保证准确率的前提下,加速和压缩效果明显,能够很好地应用于对准确率、实时性、资源消耗要求严格的视频检测场景。同时,该网络优化方法能够拓展卷积神经网络应用场景,具有重要研究应用价值。