图像在采集、压缩、传输和存储的过程中都可能会引入不同种类不同程度的失真,它们会对信息处理、分析和表达带来阻碍,也影响人们正确认识客观世界。因此,需要设计合理且可靠的图像质量评价算法来预测图像质量,从而更加方便地引导视觉信息处理系统的优化、改进和提高。图像质量评价已成为热点研究问题,在计算机视觉、模式识别和人工智能等领域具有广泛的应用。本文旨在针对自然场景的无参考图像质量评价任务中的场景复杂、可用数据量不足等难点与问题,设计视觉特征深度学习网络;通过弱监督学习、特征引导学习和数据增强方式,更好地提取了图像中的失真特征,构建无参考质量评价模型,获得与主观感知相一致的评价结果。主要的研究内容概括如下:(1)提出了一种基于视觉残差感知优化网络的无参考图像质量评价方法。基于深度学习的质量评价方法中,随着网络深度增加,需要的训练数据量增大,带有可靠主观分数的待测图像数据量存在严重的不足。因此,本文提出了一种分而治之的方法,将图像质量评价分解成两个阶段:识别图像的失真程度;提取图像内容特征,结合失真特征得到最终的视觉质量特征以回归图像质量分数。首先,由浅层卷积神经网络和长短期记忆网络级联构成的失真程度识别网络来预测图像失真度。在弱标签的监督学习下,该网络模型能够在大量训练数据下进行预训练。其次,构建深度卷积神经网络提取图像的内容特征,并与失真程度识别网络组成视觉残差网络,提高特征完整性,回归图像块的质量得分。最后,通过图像视觉显著性的池化策略,获得整幅待测图像的评价分数。实验结果表明,该方法对于失真的客观预测精度提升明显,模型预测和人类视觉感知具有很高的一致性。(2)提出了一种基于质量显著性引导非局部网络的无参考图像质量评价方法。当前无参考图像质量评价方法存在不同自然场景下鲁棒性较差,预测过程不符合人类视觉特性,过于依赖模型训练程度等问题。因此,本文提出了一种结合视觉特性的深度网络模型。首先,通过将人眼感知图像质量特性与深度卷积神经网络相结合,在待测图像上获得其视觉质量显著性图,将该图与原始待测图像在通道上叠加合成作为模型的输入。其次,采用深度卷积网络VGG16的基本结构,并将非局部模块嵌入其中,以衡量图像空间长依赖,设计了一种新颖的非局部深度网络模型。最后,依据人类视觉特性,采用自适应池化策略构建局部分数与全局分数之间的映射,得到待测图像的最终质量分数。该方法在四个公开数据集上都取得了较好的效果,并且针对均匀和非均匀的失真类型均具有良好的鲁棒性,也表明了本方法结果与人类主观感知具有高度的一致性。无论是针对模拟失真还是真实失真,该方法都能很快做出较为准确的预测。(3)提出了一种基于循环生成对抗网络增强模型的无参考图像质量评价方法。目前图像质量评价方法通过将图像切块的方式来增加数据量,但对于这些图像块的真实标签无法合理确定,使得评价结果的主客观一致性较差。因此,本文设计了“双增强”方法,即图像质量评价数据集的增强和待测图像的增强来实现无参考图像质量评价。首先,通过循环生成对抗网络中源域至目标域和目标域至源域两种生成对抗学习的过程,并及时调整输入特征值,来实现数据量的大量增长。然后,通过网络模型的博弈,学习数据集中失真图像的质量分数分布,解决训练数据量不足的问题,达到数据集增强的目的。同时,利用已训练的生成器,将失真图像尽可能的恢复至失真前的参考图像,达到图像增强的目的。最后,通过增强后的大量数据训练全参考网络,得到最后的感知质量预测分数。该方法在四个公开数据集上取得了优秀的性能指标,并在实验中证明了双增强模型在数据较少时仍然十分有效。