1.一种基于深度学习的视频质量诊断方法，其特征在于：所述方法步骤如下：
步骤一，收集全面的视频质量异常数据，接着对视频质量异常数据进行预处理，将预处理得到的图像打上异常类型的标签，再给打上标签的每张预处理得到的图像进行质量打分，对每张预处理得到的图像取多人的质量打分的平均值作为对应预处理得到的图像的质量分数；将带有质量分数的预处理得到的图像与tid2013数据库中图像组建视频质量诊断深度学习数据集，视频质量诊断深度学习数据集分为三部分:训练集、验证集、测试集；其中，全面的视频质量异常数据包括9种类型的异常视频图像：信号缺失图像、清晰度异常图像、亮度异常图像、偏色图像、噪声图像、滚屏图像，条纹干扰图像、画面冻结图像、ptz故障图像；标签包括：信号缺失、清晰度异常、亮度异常、偏色、图像噪声、滚屏、条纹干扰、画面冻结、ptz故障；
步骤二，搭建深度学习模型框架，读取训练集图像，通过深度学习模型进行网络训练，得到训练后深度学习模型；
步骤三，把验证集作为训练后深度学习模型的输入，将输出的结果与验证集中的主观评价作比较，根据比较结果调整深度学习模型参数，得到调整后的深度学习模型；
步骤四，读取调整后的深度学习模型，输入测试集图像，得到视频图像质量分数，根据质量分数得到视频故障类型。
2.根据权利要求1所述的基于深度学习的视频质量诊断方法，其特征在于：所述预处理依次为：统一成png格式、统一大小。
3.根据权利要求1所述的基于深度学习的视频质量诊断方法，其特征在于：所述训练集、验证集、测试集比例设置为70％训练集，10％验证集，20％测试集。
4.根据权利要求1所述的基于深度学习的视频质量诊断方法，其特征在于：所述深度学习模型采用的vgg16，激活函数relu。