图像相较于文字而言,传递信息的方式更为简单直接,因此运用更为广泛,但图像在采集、传输和使用过程中,往往会引起不同程度的失真,这就需要质量评价算法对其进行评估。现阶段图像质量评价的主流算法大多基于机器学习（特别是深度学习）,现有研究表明机器学习算法对数据的对抗性扰动极其不稳定,存在鲁棒性和安全性问题。基于此本文研究了一系列的对抗性扰动样本来攻击现有图像质量评价算法,找出其漏洞,希望本文的攻击方式能让图像质量评价算法的研究向着更加实用性方向发展,也希望对质量评价算法安全性的研究和完善起到助力作用。本文的主要研究内容和成果如下:（1）提出了基于微距摄影图像的质量评价数据库,用以攻击现有质量评价算法。微距摄影图像是指主体清晰背景模糊的一类图像,这一类型的图像因其具有朦胧美的特征而深受大家的喜爱。本数据库包含100张参考图像和800张失真图像,被大约60名本专业相关的受试者进行评估得到DMOS评分。本数据库对6种全参考质量评价算法（PSNR、GMSD、FSIM、RFSIM、SUMMER）以及6种无参考质量算法（BIQI、BRISQUE、SSEQ、CNN、ASIQE、ENIQA）进行评估校验,以上算法在本数据库上的评分效果均较差。（2）提出了一类基于动量迭代梯度攻击质量评价算法的对抗样本生成方法。该方法除了使用梯度迭代扰动输入以使损失函数最大化的基于梯度方向外,还引入了动量的方法使整个迭代过程中在损失函数的梯度方向上累计速度矢量,以生成成功攻击质量评价算法的对抗样本。本方法在攻击现有基于神经网络的图像质量评价算法中,都体现了较高的成功率。为了验证本章节中对抗样本的可转移性,本章还研究了多个传统IQA模型,结果表明,基于深度学习模型生成的对抗样本在传统IQA模型上依然能够保持其对抗性。（3）提出了基于人眼视觉系统下的主体、背景域噪声添加攻击图像质量评价算法的对抗样本生成方法。该方法在上一章节的基础上,添加更少的噪声,且结合了人眼观测图像时对主体区域的强关注,分别对主体部分和背景部分进行扰动,且扰动类型不再局限于一种,而是5种失真扰动分别添加。实验结果表明,虽然该方法添加了更少的扰动,但生成的对抗样本攻击质量评价算法时,攻击效果显著,评估算法性能时的SROCC、PLCC降低很多。