图像作为一种高效而直观的信息载体,在现代生活中有着不可替代的地位。然而数字图像在获取、存储、传输、显示等过程中,总会不可避免地引入一些干扰因素,如噪声、模糊、压缩等,这些都会造成图像质量的下降,不能满足最终观看者的要求。无参考图像质量评价的研究目标是通过建立一个与人类视觉系统相关的机器学习模型,不需要借助原始参考图像的任何信息,能够对失真图像的质量进行预测,最能够切近现实生活的应用,具有一定的现实意义。本文在深入研究无参考图像质量评价方法的基础上,提出了以下两点研究成果:1)提出了一种联合多种边缘算子的无参考图像质量评价方法,利用失真条件下一阶边缘信息和二阶边缘信息之间的相似性进行质量预测。该方法首先提取图像的梯度,相对梯度以及高斯拉普拉斯特征(Laplacian of the Gaussian function,LOG),然后计算梯度和LOG之间的条件熵以及相对梯度和LOG之间的条件熵,最后使用提升方法Adaboost神经网络进行回归预测。在公共数据库LIVE和TID2008上进行仿真,实验结果表明本文提出的算法与主观评价分值有着很高的一致性。2)卷积神经网络由于其强大的特征表达能力广泛使用于计算机视觉系统的研究中。本文提出一种基于卷积神经网络的无参考图像质量评价算法,该方法的主要创新之处是更改了全连接层的连接方式,将最后一层特征图进行拆分,利用感受野机制和卷积层的计算特点进行数据增强,解决了训练样本不足的问题。与其他方法相比,该方法省去了额外的预处理步骤,是一个真正的端到端模型。在通用数据库上的实验结果表明该方法的性能优于主流的无参考质量评价算法。