近年来,随着虚拟现实技术的不断发展,360°全景视频/图像作为沉浸式媒体的主要表现形式,在日常生活中受到越来越多的青睐。而视频在压缩、传输等处理过程中容易产生画面失真而导致视频质量下降,影响观看者的体验。因此,进行有效的视频质量评估对视频编码器性能评测、视频传输的质量监测等领域都有重要的指导意义。传统的视频质量评估方法（Video Quality Assessment,VQA）是针对平面2D视频所提出的,而全景视频具有超高分辨率和球形观看空间等特点,使得传统VQA无法有效地评估全景视频质量。同时,现有针对全景视频提出的VQA方法只引入了空间映射拉伸对失真估计的影响,而缺乏对失真时域变化的考虑。基于此,本文将重点研究如何对360°全景视频进行时空失真建模,进而达到对其视频客观质量准确评估的目的。另外,随着近年来深度学习在计算机视觉领域的广泛应用,本文也对卷积神经网络用于全景图像失真特征提取进行了深入分析,并重点研究如何采用深度学习的方法进行无参考全景图像客观质量评估。本文首先提出了一种融合了全景视频的空域失真和时域失真特性的全参考的客观质量评估模型,并且该模型对现有全景视频质量评估方案有很好的兼容和扩展性。具体来说,首先,我们根据人眼视觉关注机制构建了一个时空管道作为视频质量评估的基本单元,通过递归滤波器计算出时空管道的平均失真。然后,在该时空管道上引入失真梯度来表征时域失真对视频质量的影响。最终,通过对时空管道的两种失真进行空域和时域上的池化计算出视频序列全局质量得分。另外,我们研究了如何对现有的三种常见全景视频质量评估方法进行时域失真的扩展。其次,本文提出了一种基于深度学习的无参考全景图像质量评估的神经网络结构模型。该模型主要由三部分组成:1)基于卷积神经网络的失真学习器,用于预测客观失真图;2)基于卷积神经网络的视觉敏感度学习器,通过提取失真的特征,并引入全景图像映射拉伸的先验信息,从而生成失真的权重图;3)图像质量分数回归器,通过将失真图和权重图融合并出最终质量得分。我们将提出的两个模型分别在全景视频的公开数据集VR-VQA48、VQA-ODV和全景图像数据集CVIQ、OIQA上与现有的客观质量评估方法进行了对比试验。实验结果表明,提出的两个方法在全景视频/图像质量评估的性能上都有显著的提升,更符合人眼的主观质量评价的结果。