图像超分辨率一直是图像处理方向研究的热点问题,它被广泛地应用于多个领域,包括视频监控,医疗图像等等。过去三十年来,有许多关于超分辨率重建算法的研究,而针对如何评价超分辨率重建图像的质量的研究仍较少。现有的一些质量评价方法例如峰值信噪比、结构相似度,仍作为超分辨率重建算法性能的衡量指标,但是研究证明这些评价方法并不能够很好地反映人眼对超分辨率重建图像的视觉感知效果,因此需要合适的评价方法来衡量超分辨率重建算法的性能,本文针对超分辨率重建图像的视觉质量的评估问题,提出了基于学习的超分辨率重建图像质量评价方法,其主要研究内容如下:1.针对超分辨率重建图像的质量评价问题,提出了一种基于机器学习的单帧图像超分辨率(Single-Image Super-Resolution,SISR)部分参考图像质量评价方法。该方法利用log-Gabor滤波器和亮度归一化,结合了人眼视觉的多通道效应,分别提取低分辨率图像和超分辨率重建图像的频域和空域特征,再利用两阶段的回归模型,得到超分辨率重建图像预测的质量分数。实验结果表明,与现有的评价方法相比较,所提出的评价算法有较好的评价结果。2.由于人工提取特征可能不能充分地表征复杂的图像结构和失真,为了进一步提升方法性能,提出了一种基于卷积神经网络的SISR部分参考图像质量评价方法。首先利用较为深层的卷积神经网络对输入的超分辨率重建图像块和低分辨率图像块进行特征提取,捕获高层次的特征,再利用全连接层学习提取的特征与主观质量分数之间的映射关系,从而评价超分辨率重建图像的质量。实验结果表明,所提的评价算法与人眼视觉感知具有很强的一致性。本文提出的部分参考方法在超分辨率重建数据库上进行了验证,表明了评价方法的评价结果与主观评价结果有较好的一致性,相关衡量指标的结果说明了评价方法具有良好的性能。最后本文指出可以将质量评价方法应用到超分辨率重建算法的研究中,这是可以拓展的研究方向。