21世纪,人类社会进入信息高速发展的时代。社会媒体、相机和移动设备技术的进步,促使创建了一个看似有无穷无尽视觉内容的世界。然而,大部分的数码相片只是由业余摄影师拍摄的,在捕获图像的过程中,任何细微的错误都会导致图像失真。此外,后续的存储过程和视觉媒体的传播又可以进一步降低图像的视觉质量。视觉建模方向的最新发展证明了失真会影响人类对图像和视频的感知。因此,科研人员构建起理论基础和算法来预测人类对图像和视频的感知情况。为实际解决这一问题,提出了一些无参考(NR)图像质量评估(IQA)算法,在没有额外信息的情况下,来预测给定图像的感知质量。质量指标可用于监视和控制多媒体服务网络和设备,优化传输速度和质量。与单一类型的人工失真不一样,现实世界的图像通常受到的失真是混合类型。针对这种真实失真,图像质量评价会更加困难。所以我们聚焦于该问题,先研究针对单一失真图像的经典质量评价方法,在此基础之上研究真实失真图像质量评价方法。本文的研究成果如下:1)本文提出了一个简单高效的针对真实失真图像的无参考质量评价算法,该算法基于图像的自然特性,分别提取图像在空间域和光谱域中的信息熵、梯度域LBP、自然场景统计特征和改进的HOG特征作为图像失真程度的表征。在提取特征后,采用了 PCA方法降低维度和对数据进行标准化处理,然后利用XGBoost模型进行回归学习。实验结果表明该集合树模型与人类主观感知具有较好的一致性,也证明了该算法具有较好的通用性。相对于以前的经典方法,该算法的运行速度更快。2)本文提出了一种深度卷积神经网络架构来捕获的图像的局部和全局信息,系统地评估出卷积神经网络方法预测真实图像客观质量分数的性能。实验证明,该方法有效地模拟了人类感知和认知机制。本文还提出了一种对图像的质量分类的深度学习模型,引入一个方法把数据库扩充到10倍,又进一步改善图像质量分类的准确性。