图像质量评价是图像处理领域中基础性研究内容之一。近些年来,随着通信技术不断进步,智能终端设备的快速普及,数字图像的应用领域、应用需求飞快增长,信息通信、生物医学、工业生产、地质勘探、气象预测、军事国防、宇宙探索等诸多领域都开始广泛的应用数字图像。在应用过程中,图像质量对应用价值有绝对性的影响,高质量的图像更有助于人们接收、理解、处理图像信息,但是实际应用中,因实际环境和技术的限制,在图像获取、传递、存储等多个阶段都会引入不可避免的噪声,使得图像失真、质量受损,从而影响实际应用的效果。为了准确、有效的衡量图像质量的变化,研究者们开始探究图像质量的有效评价方法。图像质量评价可以从主客观两个角度进行研究,客观评价方法因其便利性被广泛的应用于实际场景。客观评价中的全参考图像质量评价方法可以获得完整的参考图像,能够取得更优的评价性能。在FR-IQA研究中,结合视觉感知特性的方法往往可以取得与主观评价更一致的评价性能。但大多数的结合策略相对简单,缺乏有力的理论支撑。本文通过分析经典方法的计算流程和设计思路,分别基于机器学习和卷积神经网络来融合视觉感知特性和图像特征,提出两种新的图像质量评价方法RF-IQA和FPNIQA。RF-IQA方法首先提取图像的相位一致性特征、边缘特征、颜色特征和纹理特征,然后在构建11维的特征相似性向量,最后采用机器学习的方法来学习训练图像质量回归模型;FPN-IQA方法引入深度学习方法来提取融合视觉感知特性的图像特征,首先采用基于ResNet-50网络的FPN来提取图像特征,然后通过计算特征相似性来评价图像质量。在多个数据库中进行实验,实验结果表明RF-IQA方法和FPN-IQA方法的整体性能及对不同失真类型图像的评价性能都有较好的表现。