视频监控是交通管理系统中至关重要的部分,其中,对监控视频画面的质量评价是重要的维持监控时刻有效的保障手段。然而,在海量的视频录制、压缩和传输等过程中可能产生各种失真情况,进而导致监控画面质量降低,故亟需智能化的评判技术对监控视频进行质量反馈。早先的研究多聚焦在传统的解决思路,譬如利用图像像素进行对比来评判的有参式评价技术（需要参照给定图像进行信噪比等指标评价）,然而实际场景中视频画面的不断变化产生的复杂性易导致该技术误判和漏判。相较于有参式方法而言,无参式的评价技术降低了对于参照图像提供的要求,但是,因其需要样本多样性来支持最终的模型训练,且主要聚焦有限噪声类型的检测,因而不可避免地会对近似目标造成误判。受目标识别原理的启发,本研究将质量评价判定问题等价为目标检测与分类问题。即,针对复杂交通场景中存在的,如遮挡（树叶、广告牌等）、电子干扰或者信号不稳定等质量问题,提出了一种深度学习特征与传统的特征融合的集成视频质量评价方法。主要贡献如下:（1）针对马赛克、条纹、雪花、遮挡和模糊这五种常见视频质量问题,提出了一种基于深度学习的无参考交通监控视频质量评价方法。所研究的模型可以学习语义级特征,并采用特征金字塔结构和注意力机制,最终通过特征融合使模型学习能力增强。此外,考虑到样本具有不均衡这一特点,模型采用了Focal Loss损失函数,以降低样本不均衡带来的影响。（2）利用集成学习的思想,融合HOG等纹理特征并训练得到SVM模型,使得模型评价结果得以精化和优选。最终,基于上述思想,使用Qt对模型进行集成,构建了一个界面简洁、使用方便的质量评价系统,并在真实交通监控视频数据集进行了验证。结果表明,所研究模型对马赛克、条纹、雪花、遮挡和模糊这五类典型的质量问题均有较好的质量评价效果。相比于基础网络,改进的深度学习模型准确率提升了3.95%;加入SVM的融合模型,相比于深度学习模型,准确率提高了2.12%。与采用经典目标检测网络的评价方式相比,本文研究的融合模型具有更高的准确率以及更好的有效性。