无参考图像质量评价方法（No Reference Image Quality Assessment,NR-IQA）是目前图像质量评价技术的研究热点和将来的发展方向,它在图像处理、机器人技术、机器视觉、医学图像等领域都具有重要的应用价值。随着深度学习的发展,深度神经网络以其强大的建模和分析能力,被越来越多的研究者应用于图像质量评价领域,但在将深度神经网络应用于图像质量评价研究时,深层卷积神经网络模型也带来了训练复杂、调参技巧难、经验要求高以及理论分析难等问题。同时对于图像质量评价数据集的小数据量环境来说,容易产生过拟合。针对上述问题,通过对主成分分析网络（Principal Component Analysis Network,PCANet）展开研究,深入开展基于PCANet的无参考图像质量评价技术研究。首先,本文提出了一个基于PCANet的无参考图像质量评价算法。通过PCANet网络对失真图像进行深层特征提取,然后将提取到的特征作为输入样本,通过支持向量机（Support Vector Machine,SVM）分类器和支持向量回归（Support Vector Regression,SVR）回归器训练得到算法模型。通过实验表明,该算法能够区分图像失真类型并评估图像质量。实验在LIVE、TID2013等图像质量评价数据库上进行,并且与一些较为常用的NR-IQA算法进行比较,结果表明,该算法优于卷积神经网络（Convolutional Neural Networks,CNN）等算法指标。其次,本文又提出基于PCANet与Gabor小波的图像质量评价算法。该算法第一步利用Gabor小波对图像进行特征提取,之后将提取的特征通过PCANet网络进行更深一步的提取,最后将特征最为输入图像,通过SVM分类型器训练,得到算法模型。通过实验表明,该算法能够区分图像失真类型,并对图像进行质量评级。在LIVE、TID2013等图像质量评价数据库中进行相关实验,通过与较为常用的图像质量评级方法相比较,结果表明该算法能够达到主观评价的效果,满足人眼系统的特性。最后综上所述,本文所提的两种算法能够达到与人眼主观一致,并识别失真类型。未来希望通过对PCANet算法相关滤波器进行改进或者与其它DCT算法相结合,提高模型的准确率,以及算法的运行效率。