随着计算机视觉和机器学习等相关技术的飞速发展,使用城市街景图片获取城市大范围、多维度量化感知的研究日趋活跃,现有相关研究表明,利用街景图片、有限的图片评价数据和机器学习算法实现城市多维感知具有合理性和可行性。本文以数据感知成都各区域美观和活力程度为研究课题,重点研究了融合两类数据的量化评分模型、基于支持向量回归的自动评分模型以及人为感知城市街景的主要决定要素等,主要研究内容分为四部分。数据采集与分析。按照统一图片采集标准采集到来自成都市主城区的街景图片（3672张）,将其划分为训练集和扩展集,并采集到评分者（31名）对训练集图片进行的星级评分结果（6870份）与成对比较优选结果（3360份）。利用评分者内信度、评分者评分质量等统计学理论对评分者评价习惯与评价质量进行了分析与研究。街景图片量化评分。提出了可以融合星级评分和成对比较优选两类数据的量化评分模型。由于评分者的评价质量存在差别,在图片量化评分中赋予各评价样本不同权值优化评分模型,提升评分模型拟合图片真实水平的准确性。通过比较模型优化前后与对比类数据样本的冲突率,验证了优化模型的性能。街景图片自动量化感知。利用支持向量回归构建街景图片自动评分模型,提取训练集街景图片的多种图片特征作为输入、图片量化评分值作为模型输出训练自动评分模型。使用决定系数与交叉验证的方法评估回归模型泛化效果,通过比较多种图片特征训练所得模型泛化效果,得到评价街景图片美观和活力的两套回归模型各自最优特征组合方式。使用自动量化感知模型对扩展集中图片进行自动评分,最终获取所有采集图片的量化评分并绘制成都市区人类美观、活力感知分布图。感知要素分析与验证。通过问卷调查大众对街景图片美观和活力程度判断标准,共采集到52份数据,统计得出大众在感知美观与活力时最关注的街景组成要素。通过图片分割提取街景组成要素的像素占比率或实例数量,并与对应图片的活力量化评分做关联分析,最终结果显示,街景图片的活力评分与统计结果中排名前三的人流量、车流量、绿化均为正相关,与房屋、道路相关性较低。