人类每天所接收的信息中有超过90%来自视觉,随着人们的生活品质不断提高,对于视觉媒体的美学需求在逐步增加。“构图”是影响图像美感的重要因素,它与摄影的其他要素决定了画面的鲜活程度以及叙事能力。目前针对图像美学的研究虽然隐含地考虑了简单的构图规则,但由于构图的主观性,暂时还没有可靠的自动构图分类方法和明确考虑构图规则的图像优化方法。本文的两个研究内容旨在解决上述问题。首先,对于现有构图分类模型不适用于一般快照以及限制输入图像横纵比破坏构图信息的问题,提出了一种基于空间不变性卷积神经网络的构图分类模型（简称为RSTN）,该模型使用Resnet-blurpooling作为骨干网络,其中加入了我们设计的RSTN结构,使模型具有了平移不变性和旋转不变性,增加了模型对于一般快照或偏斜图像的泛化效果。为解决卷积神经网络限制输入图像大小和横纵比的问题,我们在模型中使用了自适应池化层。最终我们的构图分类预测模型准确率达到了90.8762%,较Baseline准确率提高了3%,旋转一致性提高了16.015%。进一步的,以构图分类模型作为基础,我们依据图像对编辑的敏感程度将图像分为偏斜敏感型、平移敏感型、非空间敏感型三类,针对每一类图像设计了一种构图优化方法。其次,针对目前不存在具备明确构图信息的视图推荐和局部构图检测模型,提出了一种具有明确构图信息的实时图像视图推荐模型（简称CVPN）,该模型以一张图像作为输入,输出一个美学价值由高到低的局部视图序列,以及每个局部视图的构图类别。为训练CVPN,我们使用模型蒸馏方法（教师-学生架构）,单独训练了两个网络,一个为上述的构图预测模型,另一个为美学评估模型。这两个模型被当作教师模型用于监督训练作为学生模型的CVPN。并且针对目前图像裁剪任务中候选框选择的挑战性问题,提出了一套基于黄金分割理论的裁剪锚框提取流程。同时构建了一个用于训练视图推荐模型的数据集VCAD,该数据集由两个不同领域的图像数据集组成,标签由两个教师模型和候选框提取算法自动标注。该视图推荐模型具备广泛应用范围,如图像裁剪、图像缩略图生成、实时摄影指导、图像局部构图分析、构图检索、相册自动管理,视频封面生成等。