图像质量客观评价是指通过设计合理的算法使计算机自动精确地预测图像的感知质量。图像质量的评价结果可以为图像处理算法的参数优化、图像处理系统的性能评估和图像处理设备的质量检测提供重要的指标和依据,已成为图像处理领域的研究热点之一。其中,盲图像质量评价是指在没有参考图像的情况下对任意输入图像的视觉质量进行精确预测。由于在绝大多数的实际应用场景中,测试图像对应的参考图像是无法或难以得到的,因此对于盲图像质量评价的研究至关重要。本文针对盲图像质量评价问题,开展了系统深入的研究工作,旨在利用机器学习方法提高盲图像质量评价的特征表达能力、质量预测精度以及模型学习效率。研究内容主要针对图像特征提取、质量预测建模、学习框架设计、主观实验验证等四个方面展开。论文工作围绕国家杰出青年科学基金资助项目“多媒体信息处理与分析”、国家自然科学基金重点项目“面向多元空间融合的视觉计算与图像质量评价”、国家自然科学基金资助项目“基于广义稀疏表示的异质人脸图像变换和质量评价”、教育部“创新团队发展计划”资助项目“视觉计算与协同认知”、陕西省重点科技创新团队资助项目“西安电子科技大学计算理论与影像信息学创新团队”等项目的研究任务。本文的研究内容可以概括为以下四个部分:第一部分研究基于多核学习的盲图像质量评价方法。提取精确完备的自然图像统计特征,并基于多核学习建立了两种盲图像质量评价模型。首先,基于自然图像的非高斯特性、局部相关特性和指数衰减特性,分别提取图像统计特征。然后,通过分析不同失真情况下特征随图像质量的变化情况,综合多核学习的异质特性,分别利用全局框架和两步框架学习通用型盲图像质量评价模型。在标准数据库上的实验测试结果表明,该研究可以有效提升图像统计特征的表达能力,并提高盲图像质量评价模型与主观感知之间的一致性。第二部分研究基于主动学习的盲图像质量评价方法。建立了主动特征学习框架,并将其应用于盲图像质量评价。主动特征学习框架旨在将主动学习策略引入到传统无监督特征学习中,以提升图像特征的判别能力。在该框架中,首先从训练图像中提取图像块并进行预处理得到图像的局部特征描述。然后基于主动学习策略,综合考虑图像块自身的表征性以及图像块之间的差异性,迭代选择最优的图像块构建字典。之后,对于给定的输入图像,首先计算其局部特征描述,然后在所学字典上进行编码,并对编码系数进行综合,得到图像的特征描述。最后,基于支撑向量回归构建盲图像质量评价模型。在标准数据库上的实验表明,在图像特征维度较低时,基于主动特征学习的盲图像质量评价模型预测精度提升近8%。第三部分研究基于排序学习的盲图像质量评价方法。基于排序学习技术,设计利用图像质量偏好学习盲图像质量评价模型的新框架。现有学习盲图像质量评价方法需要观测者对大量图像标记质量分数来训练模型参数。而主观质量分数存在不精确、有偏、费时耗力等缺陷,限制了盲图像质量评价模型的预测精度和扩展能力。为解决这一问题,我们提出利用图像之间的质量偏好关系学习盲图像质量评价模型的框架。在该框架中,首先基于排序学习的思想,将进行质量预测的问题转化为学习质量偏好的问题,并利用特征融合策略及多核学习方法进行求解。然后,基于投票策略设计简单有效的图像质量分数预测函数。在标准数据库上的实验表明,该学习框架改善了盲图像质量评价模型的学习效率和扩展能力,并且具有很高的主客观一致性。第四部分研究主观图像质量偏好数据库的建立。提出基于松弛策略的图像质量成对比较方法,并通过主观实验构建主观图像质量偏好数据库。针对传统成对比较方法的缺陷,利用松弛策略提升成对比较实验的效率以及主观标记数据的可靠性。然后,通过设计测试环境、准备测试材料、培训观测者等进行主观实验,构建主观图像质量偏好数据库。之后,通过对主观数据进行统计分析,验证基于松弛策略的成对比较方法的合理性。最后,利用主观实验数据学习盲图像质量评价模型,验证主观实验数据的可靠性以及基于排序学习的盲图像质量评价学习框架的有效性。上述研究涵盖了学习盲图像质量评价中的特征表示、质量预测、学习框架、主观实验四项关键技术,有效改善了学习盲图像质量评价的预测精度、扩展能力和学习效率。本文的研究成果为盲图像质量评价研究的推广和应用提供了重要的技术支持,为视觉质量评价方法的研究开辟了新思路,具有重要的理论意义及应用价值。