随着数字成像和通信技术的迅速发展,使终端用户对高质量的体验提出了更高的要求.图像质量评价(Image Quality Assessment,IQA)旨在设计出客观的IQA模型,使之与人类视觉系统(Human Visual System,HVS)感知保持一致.在IQA方法中,全参考(Full Reference,FR)是其他IQA方法研究的基础,其通过比较参考图像和失真图像,并根据客观评分预测失真图像的感知质量.近年来,无参考(No Reference,NR)IQA引起了越来越多的关注,其目的是在没有任何参考图像先验信息的情况下,开发自动、准确地估计感知图像质量的量化方法.鉴于此,本文基于提取图像的底层特征以及结合机器学习方法分别构建FR和NR IQA方法.论文的主要工作如下:(1)针对四种不同类型的底层特征,提出了彩色FRIQA方法.首先提取了结构对比度指数(Structural Contrast Index,SCI),梯度,局部二值模式(Local Binary Patterns,LBP),色度特征图,它们用于刻画图像的不同特征属性;其次利用不同的特征池化策略对每个特征分别处理,将其组成一组相似特征向量作为图像质量的检测器;然后采用极限学习机(Extreme Learning Machine,ELM)建立回归模型,并将特征向量映射成客观的质量分数;最后在五个标准IQA数据库上进行大量的数值实验.结果表明,与目前流行的FRIQA方法相比,该方法能够有效地提高模型算法的预测精度,其评价结果具有一定的竞争力.(2)提出了基于两种底层特征分布(Two Low-level Feature Distributions,TLLFD)的 NR IQA 方法.不同于深度学习方法,TLLFD通过提取两类具有互补性的底层特征分布,并结合浅层机器学习作为回归模型来评价图像质量,因而参数少、模型简单、效率高.首先,通过广义LBP分别计算得到差值符号特征和幅值特征,并采用两个特征的加权直方图分布系数来刻画失真图像纹理变化;其次,利用Weibull分布拟合梯度图的参数来描述失真图像的结构变化;然后,采用经典的支持向量回归(Support Vector Regression,SVR)建立非线性回归模型;最后,在LIVE、TID2008、CSIQ、MICT四个标准数据库上,针对五种失真类型(JPEG-2000,JPEG,WN,GB,FF)分别进行大量的数值实验.实验结果表明,相较于目前流行的全参考型、无参考型以及深度学习的方法,TLLFD具有优越的评价性能和较强的泛化能力.