图像的美学质量指的是图像所呈现的“美感”,是图像的重要属性。图像美学质量评估旨在让计算机通过学习来模拟人类的审美能力,能够自动地对任意给定图像的美学质量做出客观评价。图像美观与否通常是一个相对主观的问题,人类审美行为具有复杂性和差异性,这使得图像美学质量评估任务极具挑战性,逐渐成为计算机视觉领域的热门研究课题。提取可用的美学特征是图像美学评估的关键。近年来,深度学习技术因其强大的学习能力和特征表达能力,显著地提高了图像美学评估的性能。但基于传统深度学习的图像美学评估方法仍然存在以下问题:（1）深度学习模型的良好训练依赖于大规模的有标签数据集,而目前可用于美学评估的有标签数据十分有限,人工为图像标注美学标签易掺杂主观因素且代价昂贵。（2）深度学习模型的训练数据和测试数据需要满足独立同分布的基本假设,这在实际任务中通常难以满足。当训练数据和测试数据的分布差异较大时,传统深度学习算法训练的模型无法很好地迁移到具有不同数据分布的新领域上。（3）现有的图像美学质量评估方法大多局限于单领域的图像美学评价,并没有有效利用相关领域的知识来辅助图像美学质量评估任务。领域自适应是迁移学习的一种典型的方法,旨在充分利用相关源域中的标记数据来执行目标域中的任务,可以有效缩小领域间分布差异,使模型在具有不同数据分布的领域具有更好的泛化性,为解决上述问题提供了有效途经。尽管领域自适应已在计算机视觉的多个领域得到了较好的应用,但目前在图像美学质量评估任务上研究还较少。因此,本文将无监督域适应方法应用于图像美学质量评估任务中,研究了图像美学质量评估中的领域自适应问题,以期能利用相关领域的标记样本,提高模型在目标领域的分类效果。具体研究工作如下:（1）本文提出一个基于自训练的对抗域适应模型（ADA-ST）。由于目标域样本标签的缺乏,大多数现有的无监督领域适应方法在训练模型时没有充分的考虑目标域样本类别信息,目标域和源域的条件分布没有明确对齐,模型在目标域数据上的分类准确性无法得到保证。针对现有方法存在的不足,本文在对抗域适应的训练过程中引入一种自训练机制,为目标域样本预测伪标签,并根据预测的置信度,逐步选择可靠的伪标签目标域样本添加到训练集,参与模型的迭代训练。通过自训练方法,可以利用目标域中潜在的类别信息,使模型对目标域样本的类别具有更好的可分性。（2）本文针对领域自适应算法在图像美学质量评估中的应用进行研究。首先分析了传统图像美学质量评估模型的跨领域泛化性,证明在图像美学质量评估任务上探究跨域自适应的必要性。然后将本文所提出的领域自适应模型ADA-ST应用于图像美学质量评估任务中,在相关数据集上对方法效果进行评估。此外,本文在图像美学评估数据集上研究对比了多种典型的领域自适应算法的有效性,并分析影响美学质量评估模型泛化能力的因素。