随着音视频等占用网络资源的多媒体应用的发展以及移动终端的兴起，如何保证高质量的音视频以满足用户体验一直是研究的热点。像无线视频监控这类对实时性要求较高的应用，保证视频传输的质量更是一项极具挑战的工作。本文以视频监控为应用环境，通过研究视频的自适应传输策略来保证服务质量，实现方案是通过控制视频编码的输出速率以适应动态多变的网络环境。针对这个问题，本文基于BP神经网络对视频编码速率的自适应控制策略作了研究，它是在AIMD算法的基础上，通过三个神经网络来实现的。其中，一个神经网络用来对码率进行快速定位，即粗调整；另外两个神经网络用来对码率进行细调整，得到合适的加性增长步长或乘性衰减因子。在粗调整的过程中确定基本码率后，再根据当前的丢包率来选择细调整的方式，得到最终的目标码率。为了实现该自适应码率控制的方案，首先需要对网络环境进行探测，并使编码器选择合适的工作模式用以实时调整其目标码率。针对以上几点，本文通过对比当前主流的编码标准选择了具有高压缩性能并适应网络传输的H.264来实时编码采集到的监控画面，并选择了适应于流媒体传输的RTP/RTCP网络协议，搭建了一个视频实时传输系统。在这个系统中，RTCP主要负责获取当前网络环境的情况，同时向发送端反馈丢包率、延时和抖动等相关网络信息，作为自适应码率控制的参数。此外，为了对神经网络进行训练，本文结合实际测试环境使用NS2构建仿真网络，收集合适的训练样本集，即得到在不同的网络环境下，可以保证视频传输质量的最佳目标码率，并收集该环境下的网络性能参数。为了使神经网络能快速收敛并准确预测，本文根据样本集的数据特点，设计了合适的数据归一化算法，使网络收敛的均方误差减少到线性归一化方法的1/4，迭代次数也从上万次减少到5000次左右。最后，本文在搭建好的视频监控系统中对训练好的神经网络进行在线测试。测试结果表明该方案平均可以在100个编码帧的时间内将目标码率调整到合适的范围内，比基本的AIMD自适应算法快了上10倍，而且它的丢包率也降低了一半左右，保证了更高的视频质量，体现了其优越性，达到了研究目的。