在视觉信息时代,数字图像已经成为最广泛高效的信息载体,然而在图像处理、传输和压缩的过程中,总会出现各式各样的失真造成图像质量的下降,因此研究能够准确的评估图像质量的算法显得尤为重要。由于在实践中,往往缺失可参考的未失真图像,因而在无参考图像情况下,研究图像失真与图像质量的关系,构建与人类视觉感知一致的无参考图像质量评价模型,有着重要的理论意义与应用价值。本文提出了3种无参考图像质量评估方法——基于多尺度的无参考图像质量评估、基于自适应权重的无参考图像质量评估和基于多任务生成式对抗网络的无参考图像质量评估。主要研究内容如下:（1）现存的无参考图像质量评估大多从整体出发,忽略了至关重要的细节信息,而失真图像的失真扭曲却主要体现在细节方面。通过多尺度将失真图像放在不同的分辨率下分析对比,可以使得不同失真程度的图像的细节差异更为突出,因此提出了基于多尺度的无参考图像质量评估方法。首先,利用高斯金字塔来构造尺度图像反应失真图像的局部结构变化。然后,根据融合的目标不同形成两种网络结构（MS-F和MS-C）,其中MS-F融合的是尺度特征,MS-C融合的是预测结果。最后,将网络训练分为两个阶段来更好的学习整个图像而不是图像块的质量分数。通过在不同的数据集上进行实验,说明该方法的准确性与泛化能力。（2）图像质量评估要求预测到的质量分数与人类主观评分达到高度一致,因此在构建模型时需要充分满足人类视觉系统对图像的感知特性。然而,在质量评估过程中,研究人员通常将无重叠分割后的所有图像块同等地处理,这不符合人类对于不同内容的图像区域有不一样的重视程度的视觉特性。因此,本文提出基于自适应权重的无参考图像质量评估方法。将单任务网络转化为多任务网络,同时学习图像块的质量分数及其对应的权重,通过使用自适应权重的方法将图像的局部质量分数转化为全局质量分数。实验结果验证了该方法能够有效的提升准确率,且与主观质量分数达到高度的一致性。（3）由于存在可参考的未失真图像,全参考图像质量评估的准确率和泛化能力往往要高于无参考图像质量评估。为了缩小两者的差距,本文提出了基于多任务生成式对抗网络的无参考图像质量评估方法。首先通过多任务生成网络同时学习质量图和幻觉图,利用两个任务的相辅相成性来提升生成的幻觉图的可靠性,然后利用幻觉图作为缺失的参考图像将无参考图像质量评估转化为全参考。使得可以通过对失真图像和幻觉图的差异对比来分析人类主观质量分数的相关特征,从根源上解决无参考图像质量评估无法模拟人类视觉过程的问题。实验结果表明,生成的幻觉图能够较好的还原未失真图像,该方法能准确地评价图像的质量。