开发与人眼感知高度相关的客观图像质量评价(Image Quality Assessment,IQA)方法对于图像处理、通信等领域的发展具有重大意义。近年来,基于人眼感知特性并通过对真实视觉场景进行有效分析和建模的IQA算法成为该领域研究的热点方向。然而,大多数现有的IQA模型的泛化性较差,只能在某些图像数据库中获得较好地结果,而不适用于所有数据库。此外,大多数基于深度学习的方法采用微调或预训练的网络模型来预测图像质量,而忽略了各个卷积层上重要地视觉信息,这些信息包含了图像从低维到高维地深度特征。针对以上问题,本文提出了两种客观IQA方法,均属于全参考类型。一种基于空域和变换域多特征融合的全参考型图像质量评价方法。该方法模拟人类视觉系统可同时处理图像空域和变换域特征的特性。在传统梯度算法的基础上,通过改进梯度分量的融合过程,将中心像素与周围更多邻近点之间的相互关系考虑在内,以更好地描述图像丰富地边缘变化。将图像在空域和变换域中提取的颜色特征、视觉显著性特征、梯度特征以及对比敏感度特征4种互补特征进行融合,最后,采用随机森林回归策略建立质量评价模型。另一种基于深度特征与结构加权LBP特征的全参考型图像质量评价方法。该方法模拟人类视觉系统由粗到精的感知图像边缘信息的特性,在图像的亮度通道中提取多个尺度下的基于结构加权的局部二值模式。采用基于梯度增强的方式提取图像在深度VGG16网络中各个池化层的信息以捕获图像由低维到高维地深度特征,这些特征涵盖了从像素粒度的原始数据到更为抽象地语义信息,通过提取多层网络数据以实现更有效的特征表达。该方法可针对图像由多重失真引起的复杂畸变模式。实验结果表明,所提出的方法在TID2013和LIVE数据库上的PLCC指标分别达到了0.9452和0.9779,其预测能力显著高于其他主流地评价算法。另外,两种方法均表现出强大的跨数据库交叉运行的能力,在预测性能与运算复杂度之间也实现了良好的平衡。