随着信息技术的快速发展和人们对生活品质的追求不断提高,数字图像在人们的生活中扮演着越来越重要的角色。然而数字图像在其采集、压缩存储以及传输过程中往往会遭受到不同程度不同类型的失真降质,导致数字图像质量出现一定程度的降低,同时给人们的实际应用造成一定的困扰。图像质量评价技术是用来对图像质量进行评价,度量失真对图像质量的影响程度。一个高效准确的图像质量评价方法在实际应用中发挥着非常重要的作用,是保证用户视觉感知体验的重要基础。图像质量评价主要分为主观评价和客观评价两大类,但是主观评价方法比较费时费力,实用性较差。近年来客观评价方法因为能够实现自动快速、高效准确的质量评价受到了科研人员的青睐。由于在实际生活中的大多数场景下无法获取参考图像或者获取难度较高,而无参考图像质量评价方法因为摆脱了参考图像信息的限制成为了研究中的重点。因此开发一个高效准确的无参考图像质量评价方法具有重要的研究意义和实际应用价值。人是数字图像的最终用户。在图像质量评价中,受个体主观感知差异的影响,不同观察人员给出的质量分数往往不相同。基于个体主观感知差异的不确定性,本文提出相对质量标签、置信分数以及多任务学习并将其引入深度学习框架当中,提出多种有效的无参考图像质量评价方法。论文的主要研究内容如下:（1）提出一种基于CPNet（Compare-Network）的相对图像质量评价方法。该方法是一种分数无关类型的算法,模拟人眼视觉系统来处理图像间的相对质量,利用图像组合的形式解决数据量的限制。提出的相对质量标签以及相对质量顺序标签较绝对质量分数标签具有更广阔的应用场景,并且在获取的时候更加方便准确。该方法不需要参考图像,因此在某种意义上也是一种无参考图像质量评价方法。通过在LIVE公共数据库上的实验结果证明:该算法精度优于其他算法,并且算法性能稳定。（2）提出一种基于置信分数的无参考图像质量评价方法。该方法从统计学的角度,探究图像质量评价中因主观评价个体感知差异而存在的不确定性,并据此设计了一个二元置信分数用来隐式度量图像质量。该方法的核心思想是用二元置信分数向量来表征图像视觉质量,与现有的直接学习从图像到质量分数的一元映射方法不同,基于置信分数的无参考图像质量评价模型CSNet（Confidence Score Network）学习从图像到二元置信分数向量的二元映射。多个公共数据库的大量实验结果证明:本文方法是一种有效的无参考图像质量评价方法。（3）提出一种基于多任务学习的无参考图像质量评价方法,该方法将多任务学习引入到无参考图像质量评价任务中。具体地,该方法分为两个子任务:从图像到主观意见分数的回归任务,以及从图像到图像质量等级的分类任务。在一个网络模型中采用Hard参数共享方式同时学习两个子任务。其中分类任务中,考虑到主观评价方法中的个体感知差异,将图像质量分数映射到相应等级。除此之外,在两个子任务之间加入一个联系模块,用来纠正两者的偏差,互相促进,避免极端情况的出现。大量实验结果证明了该方法的有效性和泛化性。