随着多媒体技术的蓬勃发展和社交网络工具的飞速普及,图像作为视觉信息的来源和信息交流的载体被人们广泛使用。图像不可避免地在捕获、存储、传输、访问等过程产生失真,其质量的好坏直接影响到人们主观感受和信息量获取,因而图像质量评价技术也在近20年成为图像处理领域的研究热点。图像质量客观评价是指通过设计有效的算法使计算机能够模仿人类视觉系统自动地预测图像质量。其中,盲图像质量评价是指在没有原始参考图像的情况下可以对任意失真类型图像质量进行预测。绝大多数实际场景无法获取参考图像,加上现实图像内容的千变万化,盲图像质量评价彰显出极高的研究意义和应用价值。本文围绕图像特征提取模型、质量预测模型、实验验证三个方面展开,从码本学习、神经网络等方向深入地研究了盲图像质量评价技术,旨在提高算法的主客观一致性。本文的研究内容大致分为以下两个部分:第一部分研究基于稀疏表达的码本学习式盲图像质量评价方法。首先,用显著性局部描述子构建字典,有效剔除冗余信息,增强字典的表达能力,在减少字典基数的同时可以保证特征表达更为精确。然后,以稀疏表达系数量化图像失真程度,并对稀疏表达系数按奇异值分解构建等能量子系数矩阵,形成系数矩阵组,丰富特征表达内容。最后以特征各维最大汇聚刻画强度特性,联合L1范数刻画视觉注意的稀疏特性,结合支撑向量回归进行质量预测。在标准数据库LIVE上的实验表明,该方法有效地提升了图像特征的表达能力,在较低字典基数的情况下提高了主客观一致性。第二部分研究基于卷积神经网络的盲图像质量评价方法。上一部分的特征表达易受人为组合方式影响,特征提取阶段与质量预测阶段没有联合优化,且存在高维特征小样本学习时稳定性和泛化能力下降等问题,这部分以卷积神经网络为基础研究了端到端式盲图像质量评价模型。在网络训练时,不仅以失真类型预测任务辅助质量预测任务,而且在网络内部联合学习局部质量和局部权重。测试时,在网络外部联合显著性对图像块质量分数加权,使预测更为精确。实验结果表明,建立合理的大规模数据集应用于卷积神经网络改善了高维特征小样本学习的稳定性和鲁棒性,而且能获得更高的主客观一致性,对CSIQ和TID2013库的某些场景的预测精度可提升1%以上。