图像作为信息传输的载体会在传播的过程中受损导致图像质量下降,因此就需要好的图像质量评价(Image Quality Assessment,IQA)方法来对图像进行质量评价,以便及时发现图像质量的下降情况并采取有效措施来应对。无参考图像质量评价(No Reference Image Quality Assessment,NRIQA)方法作为一类IQA方法,有着较好的优势,它不需要依托参考图像,只需要根据失真图像自身的特点便可以对失真图像进行质量评估。这无疑给图像质量评价带来了巨大的便利,也提升了IQA方法的实用性。无参考图像质量评估旨在独立评估图像质量,而无需原始参考图像。由于基于失真类型的早期NRIQA方法仅适用于特定的失真情况,并且缺乏实用性,因此通用的NRIQA方法的提出变的具有挑战性。本文从深度学习着手,使用深度学习来进行NRIQA,本文的主要研究内容如下:(1)从空间和梯度两个域同时着手,构建一个多分支卷积神经网络(Convolutional Neural Network,CNN)来进行无参考图像质量评价。所提出的方法包括两部分:分数模块和权重模块。分数模块有两个CNN分支,这两个分支分别从空间域和梯度域中学习特征。在空间域分支中使用残差块来构建特征金字塔网络,以实现多尺度特征的表示,梯度域分支中使用普通的CNN结构。在权重模块中引入位置特征来衡量局部图像块的贡献,以改善最终的图像质量的预测性能。通过在LIVE、CSIQ和TID2013数据库上进行实验,证明了本方法与人眼主观感知有较高的一致性。(2)利用恢复网络,将失真图像进行质量恢复来辅助图像质量评价,这使得IQA更符合人眼的视觉特性。该方法包括两个子网络,图像恢复子网络和图像质量评价子网络。图像恢复子网络以U-Net为基础,目的是对输入的失真图像进行质量恢复并生成相对输入在质量上有所恢复的图像。图像质量评价子网络则利用图像恢复子网络衍生出横向特征金字塔,该网络依托图像恢复子网络有利于提升图像质量预测的精度。在LIVE数据库上的SROCC和PLCC分别为0.971和0.969,这充分证明了本方法的有效性。