随着移动多媒体终端的迅速普及以及视频数据爆炸式的增长,终端显示设备的尺寸呈现多样性的特点。为了使视频内容适应不同终端设备的显示要求,需要对视频进行空间分辨率或宽高比的调整。基于内容的视频重定向方法旨在视频缩放的过程中尽可能地保证重要内容的重建质量,并保持视频流畅的播放效果。然而,对于复杂的视频内容,现有的视频重定向算法难以获得理想的性能,或多或少地引入视频的空域失真和时域失真。为了更好地提升视频重定向算法的性能,为不同的视频应用选择合适的重定向算法,需要对重定向视频的质量进行有效的评价。现有的视频重定向质量评价（Video Retargeting Quality Assessment,VRQA）方法主要分为:主观评价和客观评价。一方面,存在的视频重定向质量主观评价研究通常是通过寻找少量观看者进行简单的视觉比较,实验结果往往缺乏有效性和说服力。至今为止还没有独立和公开的视频重定向质量的主观评价数据库,而主观数据库是衡量客观评价算法性能的必要基准,所以对重定向视频质量的主观研究是必要的。另一方面,现有的视频重定向质量客观评价（Video Retargeting Quality Objective Assessment,VRQOA）方法一般采用统一视频尺寸的方式,根据SIFT方法将重定向视频帧放大到原始视频帧的尺寸,从而解决重定向前后分辨率不一的问题,但这样很容易引入失真,影响评估性能;而且这些算法往往直接根据人为经验对失真指标设置固定权重,使其难以适用于不同内容的重定向视频的质量评估,导致最终难以获得符合人眼视觉感知的质量分数。为了解决上述问题,本文对视频重定向质量主客观评价进行了深入研究,本文的研究结果如下:设计并建立一个视频重定向质量主观评价数据库,旨在用于衡量视频重定向质量客观评价算法的有效性。该数据库采用双刺激方法,随机邀请43位测试者对重定向视频进行主观质量评估。该数据库包含由28个内容和形式多样的原始视频（其中包含20个空间分辨率为352×288的视频,4个分辨率为1280×720的视频和4个分辨率为1920×1080的视频）,经6种重定向方法得到的840个测试视频。提出了一种基于空时显著性分类和自适应融合的视频重定向质量客观评价算法。该算法根据原始视频的空时显著性信息构建一个视频分类模型,对视频进行分类后,根据不同种类视频的特性对评价指标自适应分配不同的融合权重,并融合获得最终的评价结果。具体而言,采用感知几何失真（Perceptual Geometric Distortion,PGD）、边缘组相似度（Edge Group Similarity,EGS）、目标时间失真（Object Temporal Distortion,OTD）和时间连续性相似失真（Temporal Continuity similarity Distortion,TCD）四种衡量空域和时域失真的指标来评估重定向视频的质量。特别地,本文提出了时间连续相似失真（TCD）及目标时间失真（OTD）指标,分别用于评估重定向视频相邻帧之间的时间连续性以及重要区域的时间失真。实验结果表明,与现有的评价算法相比,该算法具有较好的性能,与主观数据库的肯德尔相关系数达到0.47,对于不同类别视频均保持较好的稳定性。提出了一种基于逆向重建网格的视频重定向质量客观评价算法。该算法首先对重定向视频帧进行划分均匀网格,并通过采用逆向匹配的方式将网格顶点映射到原始视频帧,从而获得逆向重建网格。然后将视频重定向中基于网格变形（Warping）的能量指标用于衡量重建网格的空间失真以及时间连续性来评估重定向视频的客观质量,有效地解决了重定向过程中造成的视频尺寸不匹配的问题。实验结果表明,本文算法的评价结果与主观数据库的肯德尔相关系数达到0.50;与现有的算法相比,该算法能更有效地评价重定向视频的质量,与人眼感知的吻合度更高,并且具有更低的处理时间。