随着社会的发展，人们安全意识的不断提高，智能视频监控系统已经深入人们的生产生活。被广泛应用于政府、教育、交通、金融等各个领域中重要部位和场所的安全监控。面对如此之多和广泛应用的摄像头，要确保监控画面的清晰正常，其运维工作必将十分艰难。因此，结合智能图像处理技术和模式识别技术，研究计算机测试分析系统对摄像头工况进行自动检测有着重要的学术价值和现实意义。本文以智能视频监控系统为基础，从信号故障、摄像头干扰检测和视频质量评价三个方面进行了分析。对影响监控系统正常运行的常见故障和问题进行了深入的研究和探讨，重点研究了通过数字图像处理技术对监控系统的运行情况以及视频图像的质量进行检测。视频监控中的信号故障，一般表现为视频信号缺失、监控画面冻结以及视频图像色偏。可以通过计算画面图像各像素颜色灰度值的均方差来判定是否存在信号缺失；而对于画面冻结，将连续的两帧图像进行减法运算后，通过计算灰度均方差来进行判断。本章重点讨论了对视频图像色偏的检测。分别计算图像在Lab颜色空间下的色度均值和色度均方差，通过对它们的比值取常用对数后得到一个偏色因子来衡量图像的色偏程度，实验验证了此方法的可行性。摄像头处在监控系统的最前端，容易受到外界的干扰，最常见的是摄像头镜头遮挡和摄像头位置移动。研究发现，遮挡前后监控图像的尺度不变特征转换（Scale Invariant Feature Transform，SIFT）特征将会发生明显变化。基于此，本文给出了一种基于SIFT的图像特征函数，通过特征函数值的变化来判断摄像头是否发生干扰。实验证明此算法能够对摄像头干扰进行有效检测，而且能够自动忽略无害干扰，具有较强的鲁棒性。视频监控画面还容易出现清晰度异常、亮度异常以及雪花等问题，可以通过对画面图像质量的评价来进行检测。文中在分析了目前常用的图像客观质量评价算法后，提出了一种基于支持向量机（Support Vector Machines，SVM）的图像质量客观评价算法。考虑到传统SVM实时性较差、训练样本预标记需要消耗大量人力物力，引入半监督学习（Semi-Supervised Learning）和增量式学习（IncrementalLearning）的思想对其进行了改进，实验结果表明基于改进SVM的图像质量评价算法能够有效的对监控画面的质量进行评价，具有较高的实时性和准确率。最后，总结了文章所做的相关工作，并指出了今后需要进一步研究的方向。