计算美学是通过计算机方法构建人类审美感知的模型,量化现实物体的美感程度。随着人们对美的追求愈来愈强烈与计算美学在日常生活领域的潜在实际价值,计算美学逐渐成为研究者们的热门研究课题。研究计算美学有助于在教育领域与社会商业活动,指导学生绘画学习、帮助设计师判断海报元素美观程度、辅助摄影师对当前取景画面进行美学质量评价与裁剪等,为观看图像的人们提供更好的视觉享受。所以,研究计算美学与实现性能优异、可落地应用的图像美学模型具有商业价值与人文价值。其中,图像美学质量评估与图像自动裁剪是计算美学的两大研究方向。图像美学质量评估（Image Aesthetic Quality Assessment）是具有挑战性的计算机视觉技术,其研究内容是让计算机模拟人类视觉感官对现实中的各类图像（如风光、人像、动物等）进行审美,准确量化图像美学质量。图像自动裁剪（Image Automatic Cropping）旨在通过逐渐从图像周围的边缘进行切割,去除多余部分从而达到重新构图的目的,用于提高图像美学质量的常用图像编辑方式。为了解决目前图像美学质量评估方法中的部分局限性,例如均化评估、未引入多物体间的位置关联等。本文提出新的基于图卷积神经网络的图像美学质量评估框架,名为G-AANet。本文设计的G-AANet包含三个模块:深度图像卷积特征提取网络、图卷积网络、美学质量分数分布匹配。深度图像卷积特征提取网络,由多层次多样式卷积层组合而成,用于提取图像局部特征与全局特征。图卷积网络对图像各区域信息进行运算,输出预图像美学质量分数分布,考虑了图像中各区域关联性。美学质量分数分布匹配模块,用于解决均化评估的问题。本文设计的G-AANet在大型图像美学质量评估数据集AVA上训练与测试,取得优异的实验结果。以往的大多数方法的裁剪过程产生并运算大量无用的候选框,不仅消耗大量算力与时间,也容易出现最佳裁剪框不在候选框内的问题。为了解决这两个问题,本文受到人类现实生活中裁剪图像过程的启发,将裁剪图像过程看作马尔科夫序列决策问题。本文提出一个基于深度强化学习算法（名为Advantage Actor-Critic（A2C））的简单轻量级框架,名为LA2C。LA2C包含智能体、图像裁剪环境、推出存储。LA2C方法模拟人类裁剪图像过程,根据当前裁剪图像下一次裁剪动作的判断,对图像进行多次裁剪动作,实现实时级、高效、合理的自动裁剪。本文提出的LA2C方法在公开的Flickr裁剪数据集（FCD）上进行评估和实验,IoU指标结果表明,与以往的自动裁剪工具相比,本文的方法以更少的裁剪步骤和时间达到了优异的性能。本文的两个工作在计算美学领域中,可应用在美学教学、摄影、设计等领域,推动了计算美学中图像美学质量评估与图像自动裁剪的发展,具有实用意义和社会价值。