随着高清、智能数字时代的到来，视觉信息在人类的生活中扮演越来越重要的角色，然而在图像的获取过程中会引入一定失真。因此，需要设计合理的图像质量评价方法，度量图像信息的保真度和可懂度，评估图像处理系统的性能。在图像质量评价这一研究课题中，无参考型图像质量评价方法无需任何参考图像信息，贴合大多数图像质量评价的应用场景。然而，目前对人类视觉感知的研究还在初级阶段，无法准精确模拟人类视觉感知的物理过程，同时简单的映射学习也无法解决复杂的认知问题，因此无参考型图像质量评价方法也是一项具有挑战性的研究工作。本文针对自然图像无参考型质量评价方法这一科学问题进行了深入地研究。首先，针对图像小波域的自然场景统计特性，提取小波系数的均值和熵做为具有质量感知性的有效特征，提出了基于自然场景统计特性和支撑向量回归的无参考型图像质量评价方法。其次，将基于自然场景统计特性和支撑向量回归测度中的机器学习模块扩展为更贴合人类认知机制的高斯过程回归，从概率的角度建模图像质量，提出了基于高斯过程回归的无参考型图像质量评价方法。最后，将基于机器学习的图像质量建模进一步扩展到半监督学习模型，引入半监督局部线性嵌入模拟图像主观质量的认知过程，并设计高斯隶属度函数模拟人类认知的模糊性，提出了基于半监督学习和模糊逻辑的无参考型图像质量评价方法。实验结果可以表明，本文提出的无参考型图像质量评价方法与主观感知有较好的一致性，对数据库和参数有较好的鲁棒性，能准确反映人眼对图像质量的主观感受。