伴随着视频流媒体技术的快速发展,各类视频服务已经成为人们日常生活中不可或缺的一部分。在最终呈现的视觉效果被观察者接收到之前,这些视频数据往往要经过包括从采集、压缩到传输和接收等一系列操作。这些操作不可避免地会引入失真从而使得视频的感知质量下降,因此对这些经过处理后的视频的质量进行准确的预测和优化是保证终端用户的观看体验的重中之重。使用人工进行主观的视频质量评价耗时耗力,往往在实际应用中难以开展。为了在效率和计算复杂度之间寻求一个折中,不需要任何参考视频参与的无参考客观视频质量评价方法成为近年来学界和业界的研究焦点。由于深度学习技术的兴起,大量端到端的无参考视频质量预测模型涌现出来,并在现有的公开数据集上取得了更好的预测性能。然而,在大多数实际应用场景中,进行测试的视频数据与模型训练所使用的视频数据的分布之间存在很大的差异,这种差异在机器学习相关任务中通常被称之为域偏移。考虑到不同应用场景中视频内容和失真类型的多样性,基于训练的视频质量预测模型往往在应用于其他场景时效果远不如预期。上述泛化性问题,严重限制了无参考视频质量评价技术的进一步的应用与发展。本文围绕视频质量评价的泛化性这一主题,研究了如何有效地对训练得到的质量预测模型进行迁移,以及如何构建有效的预训练模型用于网络初始化以增强模型的可迁移性这两个关键问题。对于模型迁移的问题,根据能够获取来自目标域的监督信息的多少（弱标签的目标数据、无标签的目标数据以及无法获取目标数据）,分别以弱监督域适应、无监督域适应以及多源域域泛化的方式来解决。对于预训练模型的问题,则以自监督学习的方式生成训练样本来解决。主要研究内容包括以下四个方面:1)针对连续时间的视频体验质量标签难以获取的情况,在进行模型迁移时通过将目标域样本的回顾型质量标签当作弱监督信号,本文提出了一种基于弱监督域适应的连续时间视频体验质量预测方法DA-Qo E。用户对于视频体验质量的感知是天然连续和时变的,考虑到视频的连续时间的体验质量与回顾型/整体的体验质量是息息相关的,该方法构建了一个多任务的学习框架同时实现视频的连续时间和整体的视频用户体验质量预测。在进行域适应的过程中,这样的的回顾型质量分数弱标签可以对模型迁移提供有效的指导。在多个视频用户体验感知质量数据库上的实验结果证实了提出的方法可以取得优秀的预测性能。2)针对无监督设置下视频质量评价任务中对于不同样本的主观性差异在进行域适应时可能带来的负面影响,本文提出了一种课程式的无监督域适应质量评价方法UCDA。在来自目标域的视频数据的质量标签难以获取的情况下,该方法首先根据源域和目标域之间的域适应结果构造课程中的难易任务并将目标域的样本划分为置信和不确定子域。接着基于置信子域中的简单任务推理出的关于目标域的一些有用属性,并通过两个子域之间的域适应进一步改善困难任务的预测性能。大量的跨域质量预测实验证明提出的方法优于现有的视频域适应方法。3)针对仅使用多个源域的视频数据进行泛化性的质量预测模型训练时,通过充分挖掘来自各个源域的特定域知识对于提升模型泛化性能潜在的帮助,本文提出了一种基于知识集成的无监督域泛化质量评价方法DEEK。基于从多个源域中训练得到的专家模型（每个专家模型对应于一个源域）,该方法使用对比集成学习的方式训练一个可以在不同域之间能够有效泛化的集成预测模型。在对来自未知目标域的样本进行预测时,通过动态地给每个源域专家分配权重,可以取得远超现有的多数据库联合训练的视频质量预测模型的性能。4)针对由于图像分类与质量评价任务之间的差异而导致的运用Image Net预训练模型进行网络初始化对于模型的可迁移性的限制这一问题,本文提出了一种基于对比自监督的视频质量评价预训练方法CSPT。基于大量的无标签视频样本,该方法利用失真增强策略进行处理进而构造用于进行对比学习的正负样本对。此外,通过引入失真预测任务可以为模型的训练提供更强的自监督信号。通过将原本使用的Image Net预训练模型替换为该方法得到的预训练模型,可以显著地提升现有基于学习的模型的预测性能以及泛化能力。