无参考图像质量评价又称盲图像质量评价（Blind Image Quality Assessment,BIQA）,指在没有原始图像参考也没有图像特征参考的情况下,只需要根据失真图像自身的特点对图像进行质量评价,其目的是使计算机能够像人类一样自动准确地感知图像质量。BIQA作为一类实用性最高的IQA方法,是计算机视觉和图像处理中自动判断并捕获高质量图像的关键技术和重要研究内容。然而,因为在真实世界捕获的图像包含不同的内容和不同的失真类型,故对真实失真图像的无参考图像质量评价一直是一个具有挑战性的问题。绝大多数BIQA方法都侧重于如何预测合成图像质量,但在应用于现实世界的失真图像时表现性能便会降低。为了应对这一挑战,本文提出了一种基于语义与分层特征融合的无参考图像质量评价模型预测图像质量。本文将IQA模型分为特征提取、建立感知规则和质量预测三个部分,真实模拟了人类感知图像质量的过程:（1）针对不同失真在不同颜色空间的特征表象不同,引入多颜色空间感知失真特征,利用卷积神经网络结构的复杂性和网络映射能力的非线性特点去学习该特征,保证提取失真图像特征的准确性和多样性。（2）由于判断图像失真与否其实是基于图像的真实表达,所以理解图像内容有助于感知图像的质量,故而通过引入图像的语义信息来学习图像内容,并由参数网络根据图像语义特征制定质量感知规则。（3）考虑每个颜色空间所提取特征之间的相关性以及图像本身的失真特点,本文利用图像的语义特征,自适应地给不同颜色空间提取的特征向量分配权重。将融合后的图像特征作为预测图像质量网络的输入,并根据参数网络提供的参数进行质量预测,使得图像质量可以以一种自适应的方式进行估计,从而可以很好地推广到在真实世界捕获的不同失真图像上。（4）由于深度神经网络非常容易过拟合,为了提高BIQA模型的泛化能力,本文首次在质量评估网络中加入了R-Drop正则化,利用约束项调整模型的自由度,在保证预测准确性的同时更好地提升泛化性能。实验结果表明,本文方法在三个合成图像数据集和两个真实图像数据集上均取得了优越表现,在评估IQA模型性能指标的综合排名中达到最佳,通过实验分析进一步验证了本文算法的有效性与泛化性,为IQA任务提供了更广泛的应用前景。