无参考图像质量评价试图通过设计合理的计算机模型以使得机器无需任何的参考图像便可自动地完成对给定图像感知质量的估计。对于现阶段的无参考质评算法而言,其面临着可用训练数据量稀少的困境,致使其在模型容量上受到了极大的限制从而无法在预测精度上得到进一步的提升。该现状表明,在小样本条件下构建有效的模型学习方法已成为当前无参考质评问题的主要矛盾。为解决这一问题,本文以基于小样本学习的无参考图像质量评价这一课题为切入,从弱监督学习、强先验学习和元学习这三个层面对小样本条件下的无参考图像质量模型的构建进行了深入的探讨和研究。主要研究内容如下:第一部分提出一种基于弱监督学习的无参考图像质量评价方法。首先,该算法利用失真图像与其无失真参考之间的误差生成了一种质量偏差图来作为描述其质量的粗粒度标签。然后,构建了一个基于全卷积网络的质量特征编码器来提取图像的质量相关特征,并利用所得的偏差图来对其进行预训练。接着,使用了少量具有主观质量分数的失真图像和其对应的偏差图对预训练过的编码器进行了多任务微调。最后,利用微调过的质量特征编码器来提取的待测图像的质量相关特征,并构建了一个回归模型将该特征映射为最终的质量预测结果。实验结果表明,该算法能够在有限的标签数据下,有效地提升无参考图像质量评价模型的容量,从而提升其质量预测的精准度。第二部分提出一种基于概率图先验关系的无参考图像质量评价方法。首先,该算法基于境联效应^[72]这一先验构建了一个概率图模型来描述质评过程中待测图和其背景参照之间的耦合关系。然后,使用了匹配网络^[75]来基于所得的耦合关系计算待测图像与其背景参照之间的境联特征。接着,预训练了一个质量特征提取网络来从像素级别提取了待测图像的质量相关特征。最后,利用了全连接网络将上述两种特征进行融合,并将融合后的特征映射为待测图像的感知质量。实验结果表明,先验关系的引入能有效地提升模型在小样本条件下的预测精度,使得该算法对于人工失真和真实失真图像的评价结果都具有很高的主客观一致性。第三部分提出一种基于元学习的无参考图像质量评价方法。首先,该算法在模型的训练数据中按照元学习的通用数据构建方案^[56],随机采样出若干成对的支撑集和元测试集。然后,利用了公开的质评数据集预训练了一个基于深度网络的质量相关特征提取器。接着,基于所构建质量特征提取器将支撑集和元测试集中的图像转化为对应的像素级质量相关特征。之后,基于长短时记忆网络（Long Short-Term Memory,LSTM）构建了一个境联嵌入模块,并利用该模块对所得的像素级质量相关特征进行了时序性境联嵌入。同时,该算法还构建了一个距离度量模块来计算嵌入特征间的相似度,并根据所得的相似度计算出元测试集中图像的境联质量分数。最后,将元测试集图像的像素级质量相关特征直接映射为其像素级质量分数,并将该图像的境联质量分数和像素级质量分数进行加权求和作为其最终的质量预测结果。实验结果表明,在使用有限数量标签数据进行训练的条件下,该算法对于各类失真图像均具有很高的评价精度。