随着信息和数字化媒体技术的飞速发展,人们对视觉内容服务的需求快速增长。光场（Light Field,LF）作为一种新兴的视觉媒体,可以在视觉上为用户带来良好的浸入感和临在感,目前已广泛应用于计算机视觉领域,如三维重建,虚拟现实和深度估计等。然而在光场图像不同阶段的处理过程中,会不可避免的发生失真效应从而导致图像质量的恶化。为了指导和监管光场图像的获取,处理及应用,设计与人类视觉系统（Human Vision System,HVS）相一致的的光场图像质量评估模型至关重要。目前许多图像质量评价方法已经被提出,但是对于包含4个维度结构信息的光场图像并不适用。传统图像质量评价模型对光场图像的特征提取不足,现有的光场图像质量评价算法往往依赖高复杂度的特征提取,并且大多只在单一形式的二维图像上进行质量评估,如光场空间域的子孔径图像（Sub-Aperture Images,SAI）或光场角度域的极平面图像（Epipolar-Plane Images,EPI）。本文采用深度学习的方法分别从光场空间域和角度域的角度对光场图像进行质量评价,进而扩展到基于特征融合的光场图像质量评价。本文主要工作如下:（1）提出一种基于空间域的光场图像质量评价方法。由于相同失真类型下的SAI,其相邻图像间只有细微的差异且图像内容大多类似,本文设计了一种光场自适应图像质量评价网络模型（LFSA IQA Net）。将光场空间域SAI按照不同的视点角度分为四个方向的图像堆栈,LFSA IQA模型根据输入的不同图像堆栈,自适应地生成质量预测网络所需参数。实验结果表明,所提方法可以很好的符合人眼视觉对光场图像的主观感知特性。（2）提出一种基于角度域的光场图像质量评价方法。EPI反映了光场角度一致性,因此利用EPI中的特征信息可以评估光场图像的角度失真。由于EPI在物体边缘区域才出现明显的失真效应,为了减少计算复杂度和提高训练速度,本文利用低复杂度的EPI边缘感知区域块代替整幅EPI作为网络模型的输入。对实验结果进行定量分析表明,所提方法可以准确的反映人类视觉特性对失真光场的主观判定。（3）提出一种基于特征融合的光场图像质量评价方法。光场的多维特征可由其空间域的SAI和角度域的EPI共同体现,本文设计了一种光场特征融合的图像质量评价网络模型（LFFF IQA Net）,首先将从SAI和EPI中提取到的全局语义特征和多尺度内容特征,在通道维度上进行融合,得到的多尺度内容融合特征和全局语义融合特征分别参与动态参数的生成及质量分数的预测。对实验结果进行定性和定量的结果表明,与现有的质量评价算法相比,所提方法在光场图像质量评估上表现出优异的性能。