图像作为信息的载体之一,已经成为人们日常的生活、工作和娱乐中最普遍的信息传播方式。然而,图像在采集、压缩、传输和显示的过程中不可避免的会产生各种类型的失真,这些失真则会造成图像质量的下降,影响人眼观看图像时的主观体验。准确而高效的对图像质量进行评价已经成为图像处理领域的重要研究课题。近年来,随着立体图像显示技术快速发展,人们在享受立体图像带来的远超2D图像观看体验的同时,对立体图像质量的要求也更加严苛。相较于已经比较成熟的平面图像质量评价,立体图像质量评价才刚刚处于起步阶段。传统的无参考立体图像质量评价方法需要依赖于人工提取的失真图像特征,但是受限于人们对立体图像感知原理的认知不足,无法提取准确的特征构建立体图像质量评价模型,导致目前的无参考立体图像质量评价方法无法满足人们的需求。而近年来日趋火热的深度学习方法可通过学习自动从原始图像中提取有用的特征,避免了人工提取特征不准确的缺点。本文针对上述的发展现状,基于卷积神经网络提出了一种基于图像整体和局部特征的无参考立体图像质量评价方法。本文提出的无参考立体图像质量评价算法从图像的整体信息感知和局部信息感知两个角度出发,使用卷积神经网络构建质量评价模型分别针对失真对图像整体语义信息造成的影响和对局部细节信息造成的影响做出质量评价,然后结合图像的显著性区域在整张图像中所占的区域比例,融合整体和局部质量评价的结果,得到最终的质量评价分数。模型的输入信息是经过归一化处理后的左右视图,没有任何其它人工提取的特征,避免了额外的噪声影响。本文在LIVE 3D质量数据库和IVC数据库上验证了所提算法的准确性和泛化性。实验结果表明,所提算法的质量预测值与人眼主观质量评价值具有较高的一致性,优于现有的无参考立体图像质量评价算法,甚至超越一些全参考图像质量评价算法。特别是在非对称失真立体图像的质量评价上,本文所提算法的性能具有明显的提升。