图像质量评价(Image Quality Assessment,IQA)是指首先对图像进行质量相关特征提取,然后结合统计学习技术评估出图像失真程度。质量分数是评价图像、视频失真程度的重要指标,严重影响着图像处理系统的精确性,稳定性,鲁棒性。因此,图像质量评价成为了近年来计算机视觉关键技术之一。本文探索了利用组合特征与深度学习的图像质量评价算法。首先,本文介绍了一种利用组合人工特征完成图像质量评价的方法,该算法在不同的变换域及多个尺度提取图像质量相关特征。算法利用K-means生成图像块字典,然后将失真图像小块在字典中进行编码,实验中发现利用不同的分布拟合编码系数的拟合参数能够反映出图像的失真类型与受噪程度。基于组合特征的质量评价算法在多种失真类型中表现突出。然后,本文探索了利用深度学习的图像质量评价算法。算法一般将IQA建模为一个标准的回归问题,通过卷积神经网络可以直接将图像数据映射到质量分数。但是,文献鲜有神经网络结构对图像质量评价效果影响的探究;另外,传统的图像质量评价任务中引入关注机制一般通过人为定义显著区域。自定义显著图大多类比传统计算机视觉任务中的关注模型,在图像质量评价中不精准。因此,本文首先参数化神经网络结构的深度、宽度,通过对比实验确定了最优的网络结构,之后比较了线性回归器与支持向量回归器对实验的影响。同时利用全卷积神经网络直接自动生成显著图,进而得到表示图像中不同区域在质量评分中重要程度的权重参数。最后,利用两步训练方法对图像质量分数回归任务与权重图生成任务组成的多任务网络进行训练。这种训练方法让整个训练过程不依赖外部数据,能一定程度上降低图像块质量分数重标定存在误差带来的影响。最终模型在LIVE数据集中皮尔逊相关系数(Pearson Linear Correlation Coefficient,PLCC)达到 0.958。