图像复杂度的评价方法被广泛的应用于目标识别、信息安全、图像压缩、认知心理学等领域。研究图像复杂度的评价不仅有利于进一步了解人类视觉的认知过程,同时能够促进其他相关科学领域的发展。本文对图像复杂度的评价及应用开展如下工作:将多种信息熵特征引入图像复杂度评价中,提出了一种将纹理特征、颜色特征和多种信息熵特征融合的BP神经网络图像复杂度评价方案。首先建立图像数据库,然后对图像进行多特征提取,并且针对这些特征量存在冗余的问题,给出了一种与分类结果相对应的相关系数降维方法,将选择后的特征量输入BP神经网络中进行训练测试。实验结果显示,本文得到的复杂度评价方法不仅符合人眼视觉,而且评价结果要优于现有的复杂度评价方法。针对BP神经网络优化算法中存在的非凸优化问题,给出了一种改进的基于遗传算法的BP经网络图像复杂度评价方法,提出可以在遗传算法评估的不同阶段使用不同规格的神经网络训练模型以应对不同场景下的评估需求,保证算法有效性的前提下克服了算法复杂度过高的问题。将该算法代入图像复杂度评价实验中进行测试,实验结果显示,随着迭代的进行图像复杂度评价性能得到大幅提升。最后,将多特征融合的GA-BP神经网络图像复杂度评价算法方法应用到煤矸石检测中,取得了较好的效果。