二十一世纪以来,立体成像技术深入影响着人们的生活。但是每一种立体图像处理技术都不可避免的导致图像降质,使人们在观看图像时产生心理和生理上的不舒适感,因此,如何根据立体图像的特点,设计更加符合人类视觉感知的立体图像质量评价模型,已成为立体成像研究领域的关键课题之一。近年来,以卷积神经网络为代表的深度学习在很多领域都得到了广泛应用。因此,论文以卷积神经网络为基础,构建一类有效的无参考立体图像质量评价算法。论文主要工作如下:第一,论文提出了一种基于空洞卷积的多尺度立体图像质量评价算法。为了更好的模拟图像在人脑中的处理过程,论文模拟了双目信息在视觉通路中的融合过程,将左右视图自适应地融合成一幅融合图像,此融合图像充分考虑到左右视图对称失真和非对称性失真的情况。此外,考虑到多尺度分析与人类视觉的生理特性密切相关,论文中在卷积神经网络中加入基于空洞卷积的多尺度模块,既模拟人脑对图像提取多尺度特征,又利用空洞卷积增加感受野而不增加参数的特性,对多尺度模块的参数量进行优化。最后将网络的输出作为图像质量的客观预测值。第二,论文提出了一种基于双重视觉注意机制的无参考立体图像质量评价算法。该算法设计了一个以融合图像为输入的卷积神经网络,考虑到视觉注意机制,算法中设计了一个包含空间注意机制和通道注意机制的模块,此模块可以从通道和特征两个维度对输入图像进行加权指导,更有效地加强融合图像中重要信息的比重,降低了非重要信息的比重。此外,依据图像显著性理论,算法中设计了一种图像块的筛选策略,即利用显著性算法计算图像块的显著值,并设置自适应显著阈值,滤除低于阈值的图像块,将剩下的图像块组成新的数据集,对网络进行微调,解决目前图像切块处理时存在的数据冗余问题。为了验证上述立体图像质量客观评价方法的可靠性与有效性,在公开的LIVE 3D Phase I、LIVE 3D Phase II、Waterloo IVC 3D Phase I和Waterloo IVC 3D Phase II数据库上进行了大量的相关实验,结果表明,论文中提出的两种算法能很好地处理对称和非对称失真类型的立体图像,并与人类视觉系统的主观感知保持良好的一致性。