图像质量评价旨在评估给定图像的质量,是计算机视觉领域中一个基础且重要的研究方向。如何提取合适的特征是图像质量评价算法研究的一个重点问题,传统图像质量评价算法根据人类视觉系统与自然场景统计的性质手动设计能表示图像的特征,但这些特征往往表示能力有限。得益于深度学习提取特征表示的卓越能力,基于深度学习的图像质量评价算法得到了快速发展,但已有的方法未能充分利用深度神经网络提取的特征。为了解决这一问题,本文对基于解纠缠表示的客观图像质量评价算法展开了较深入的研究,通过对深度神经网络提取到的特征的分析与分解,有效提升了不同特征的表征能力和在图像质量评价中的作用。本文主要的研究内容与创新点如下:（1）提出了一种基于解纠缠表示的通用图像复原算法（DRIR）,利用所设计的网络,可以实现多种失真类型受损图像的复原处理。算法利用卷积神经网络从受损图像中提取内容特征与受损信息特征。内容特征包含了图像中的结构、纹理、语义等信息,论文进一步基于内容特征设计生成对抗网络实现受损图像的复原,生成复原图像,可以将复原图像当作参考图像,提升无参考图像质量评价的性能。受损信息特征包含了图像中的失真类型和失真严重程度等信息,对图像质量评价过程具有重要的指导作用。本文在LIVE、CSIQ和TID2013数据集上对所提出的DRIR算法进行了实验,结果表明DRIR算法在各类数据集上对各类失真图像都具有良好的复原能力。（2）提出了一种基于解纠缠表示的图像质量评价框架（DRIQA）,基于该框架设计了全参考图像质量评价算法（DRIQA-FR）,将DRIQA与DRIR相结合设计了无参考图像质量评价算法（DRIQA-NR）。算法针对图像块进行处理,利用孪生卷积网络分别从受损图像块与参考图像块或复原图像块中提取特征,与受损信息特征进行特征融合后,再利用两个全连接网络分支分别预测图像块的质量得分与得分权重,最后经加权求和得到整个图像的质量评分。在LIVE、CSIQ和TID2013数据集上的测试表明,相较于已有的各类算法,本文提出的DRIQA算法框架具有更好的图像质量评价性能。