在现代社会中,数字图像作为承载信息的重要媒介,越来越与文字、语音一道成为在生活、工作及学习中进行沟通交流所不可或缺的构成成分,而且由于多媒体技术的快速发展,使得数字图像在生活、科研、工业及其他领域中的应用越来越广泛。然而,在图像的采集、压缩、传输及存储过程中常会引入各种失真,使得图像质量无法达到预期要求,从而影响了后续的处理和使用,如图像增强、人脸识别或超分辨率等。近几十年来,旨在以反映人类所感知的主观图像质量为目标的客观图像质量评估(Image Quality Assessment,IQA)算法得到了很大发展,并且有大量的IQA算法被提出。虽然这些算法已经能够高效地评估单失真图像的质量,但是在面对多失真图像时大多都表现不佳。在本文中将对多失真彩色图像的无参考(No Reference,NR)质量评估算法进行研究,并且根据最近的脑科学研究成果以及人类视觉系统(Human Visual System,HVS)的视觉感知特性提出了两种针对多失真彩色图像的IQA算法。最新的人脑理论研究表明,大脑在进行视觉信息处理时有一个内部生成机制(Internal Generative Mechanism,IGM),这种机制表明大脑会主动预测所接收信号的主体信息,同时会压缩预测中产生的不确定性信息。据此,本文提出了一种基于信息分解的IQA算法,将图像分解为包含主体信息的主体部分以及包含不确定性信息的残留部分,并使用局部二值模式(Local Binary Pattern,LBP)编码了主体特征、残留特征以及全局特征来对图像中的不同失真信息进行描述。另一项研究表明,人类视觉系统在感知图像信息时不同频率成分有着不同敏感度,首先会通过低频成分获取图像主体轮廓信息,随后通过高频成分逐渐获取图像的细节信息,并且不同失真对于图像的高频信息成分和低频信息成分的影响不同,比如噪声主要影响高频成分,而模糊主要影响低频成分。据此,本文又提出了另外一种基于失真分离的IQA算法来对前述算法进行改进与扩展,将图像分解成由低频成分构成的有序部分以及由高频成分构成的无序部分,并使用局部差分模式(Local Derivative Pattern,LDP)编码了有序特征、无序特征以及全局特征来描述不同频率的失真信息。实验结果表明,本文所介绍的两种IQA算法与其他同类算法相比在评估多失真图像质量时的效率、稳定性及时间复杂度方面均获得了很大进步。