在遥感图像整个生命周期中会经历成像、压缩、传输、存储等阶段,各阶段都会带来不同类型不同程度的失真,对研究人员的分析理解以及后续的图像处理造成影响。目前遥感图像质量评价领域大多是基于仿真图像,这与真实图像的失真情况差异较大,并且没有统一的评价标准,限制了真实遥感图像处理领域的发展。因此,建立真实遥感图像数据库并研究相应客观质量评价算法是目前亟待解决的问题之一。卷积神经网络通过模拟人脑学习过程处理目标任务,其最大的优势是特征的自动学习。真实的遥感图像失真类型混叠,细节纹理复杂,人工很难提取到完整有效的质量特征。因此本文对如何将卷积神经网络应用到遥感图像质量评价领域进行了相关研究。根据遥感图像质量评价的实际应用场景构建了相应的数据库,并提出基于图像质量差异的CPNet(compare-net)网络结构用于图像相对质量评价。同时对不均匀失真的遥感图像进行研究,提出基于卷积神经网络和遥感图像特性的可利用性评价算法。主要研究内容如下:(1)提出基于卷积神经网络CPNet的图像相对质量评价算法。首先通过分析卷积神经网络结构相关参数对网络性能的影响,构建合理的网络基础结构,其次双通道输入以及网络内设计特征求差的方式得到两幅图像的质量差异特征,结合图像对相对质量标签完成分类学习。通过在LIVE数据库设计的相同参考图像对和不同参考图像对的对比实验表明:本文算法精度优于其他算法,并且算法性能更稳定。(2)构建基于相对质量的环境星真实遥感图像数据库并将CPNet应用于遥感图像相对质量评价。在HJ-1A/1B卫星成像图中,选择70个具有代表性的地点,保证地物类型全面,对于每个地点选择5幅不同时间的成像,在经过光照和几何的一致性校正后构成一个包含350幅尺寸为600×600的图像数据库。通过主观评价以及对所有主观评分进行分析处理后,得到每组中5幅图像的相对质量分数。最后通过CPNet在本文数据库上的实验性能验证了CPNet的鲁棒性以及数据库的合理性。(3)提出基于ResNet和Sobel边缘、LBP纹理特征图的遥感图像可利用性评价算法。该算法是结合人眼视觉系统特性解决不均匀失真的高分辨率遥感图像的质量评价问题。考虑到地物轮廓和内部纹理细节的完整性和清晰度是局部质量主观评价的重要影响因素,本文将Sobel边缘特征图和LBP纹理特征图作为先验知识加入ResNet的训练过程进行局部质量评价,最后通过预测的局部质量分数以及质量权重图得到图像可利用性分数。在基于可利用性的真实遥感图像数据库上的实验结果表明:边缘和纹理特征图能够有效提高算法精度。