个性化图像美学评估的目的是预测个人对图像的独特审美,其在图像推荐、图像编辑美学等行业具有良好的应用前景。近年来,对该领域研究逐渐兴起,但是还面临以下挑战。首先,从个性化美学数据来看,由于美学评价问题本身的复杂性,数据的人工标注非常耗时费力,造成目前可用的个性化美学评价数据集（特别是评分数据集）规模小,且评价数据往往存在一定偏差。其次,从个性化美学质量评价方法的可扩展性来看,一部分方法缺乏采集新用户的图像审美偏好的机制,只能面向已建模的用户进行评估;而其它方法虽然可以通过强化学习等方式建立新用户审美偏好,但仍有各自的局限性。最后,大部分方法存在评估指标单一且只从图像本身特征和整体布局进行评估,没有考虑主体对美学评估重要的影响等问题。针对这些问题,本文对个性化图像美学质量评估方法进行了研究,主要研究内容如下:（1）设计了一种基于注意力机制的个性化图像美学质量评估方法,在原有的个性化图像美学质量评估方法上引入了注意力机制。将主体的显著性因素加入评分过程。注意力机制的加入大大提高了模型的准确率,克服了只从图像本身特征和整体布局进行评估的局限性。在Flickr数据集上的实验表明,与其它传统方法相比,本方法在SROCC（Spearman rankorder correlation coefficient）指标上提升了3%。（2）设计了一种新的基于优选图像对的用户美学偏好表示方法,并基于该方法提出了一个基于决策树的交互式用户美学偏好分类机制。基于优选图像对的用户美学偏好表示不需要用户耗费精力进行精确的美学评分分数标定,是一种规则明确而统一的、对用户友好且高效的、可解释性强的用户美学偏好表达方式。本文基于该偏好表达方式通过训练建立了用户分类决策树。只需进行少量的简易反馈就能对新用户偏好进行建模。以上这些策略有效解决了前述的个性化数据存在的问题,在一定程度上克服了新用户建模的困难,提高了方法的可扩展性。在FLICKR数据集上的实验表明,该方法的用户个性化偏好分类准确有效。（3）设计了一个基于多任务的个性化美学评分系统MTPAA（MultitaskingPersonalised-aesthetic-assessment）,该系统将通用美学评价等级、图像风格、通用美学评价分布、通用美学评价分数和个性化美学评价分数等多个美学评价标签作为输出任务集成到一个完整的系统中,通过一种分阶段多任务训练方式,实现了高效和全面的美学质量评价。此外,系统中还融入了前述的基于决策树的交互式用户美学偏好分类机制,克服了评估指标单一的问题,提高了系统的可扩展性。在Flickr和AVA等数据集上的实验表明,由SROCC指标可以看出本系统不仅在每个任务上与其他方法相比性能稍有提升,而且实现了美学评估结果的多样性,扩大了网络的应用场景范围,另外由于采用分阶段的多任务的实现方式,大大降低了训练代价。