随着多媒体技术的发展,数字图像以其便于传输与保存逐渐融入人们的日常生活中,成为人类信息获取的重要来源,视频监控系统也得到了广泛的应用。监控图像一般会通过采集、压缩、传输及重现的过程,在这些过程中图像被引入了多种失真类型,终端图像的图像质量直接影响到人眼获取视觉信息乃至引发安防问题,因此监控图像的质量评估意义重大。图像质量评估方法中,主观评估方法以专业人士评分作为评估结果,评估效果最佳。但主观评价方法存在着消耗人力大、效率低下等问题,已无法满足大数量的图像评价需求。例如在广泛应用的监控视频系统中,监控图像质量与其信息的可用性密切相关,必须对监控视频图像质量进行管理才能保障监控系统的效能,监控系统规模激增使得以人为主体的传统监测方法已不能满足需求。因此基于计算机分析且无需人工介入的客观评价方法成为当今质量评估领域的重要发展方向。图像客观质量评估方法有需要原图作为对照的全参考算法、需要原图部分信息作为参考的半参考算法、以及无需原图的无参考方法。由于在实际应用场合中,特别是经过多重处理的监控图像,原始无失真图像一般很难获得,难以进行全参考、半参考评估,因此无参考评估方法成为了必然选择。本文重点研究无参考质量评估算法,首先研究经典的算法,然后分析比较它们的性能。在已有方法基础上,针对监控图像评估的特殊性,引入二维信息熵、分块分析方法,改善了其他方法在监控图像评估上性能的不足。通过机器学习重新评估特征参数权重,实现一种基于空域特征的无参考监控图像评估方法。另外,监控图像的主观评价受到关注对象、感兴趣区域影响,图像受到多重失真,且不同块的失真类型及失真分布也各有特点,这些都属于图像的隐藏特性。为建模图像的隐藏特性引入了潜在语义模型,通过构建与求解图像文档、潜在主题、特征单词的关系得到图像的潜在主题分布。图像的潜在主题分布能够很好地体现图像受到不同噪声的影响以及噪声影响的程度,通过机器学习的方法学习潜在主题分布与图像质量的关系,最终通过机器学习测试就能对监控图像进行准确的质量评估。