视频的获取及传输过程中,由于物理环境及算法性能的限制,其质量难免会出现无法预估的衰减,导致其在实际场景中的应用受到限制,并对人的视觉体验造成显著影响。因此,作为计算机视觉领域的一项重要任务,视频质量评价应运而生。其目的在于通过构建计算机数学模型来衡量视频中的失真信息以判断其质量的好坏,达到自动预测质量的效果。在城市生活、交通监控以及多媒体直播等多个场景中具有广泛的应用前景。本文主要针对使用较多的自然视频的质量进行评估,采用基于二维和三维神经网络的结构提出了两种无参考视频质量评价方法,即基于特征丰富的无参考自然视频质量评价和基于时空注意力的无参考视频质量评价。我们提出的两种无参考方法在多个自然视频数据集上进行了对比实验,均展现出了良好的主观相关性,表明了我们的模型在针对自然视频时能有效提升评估的主观相关性。本文的主要工作如下:（1）针对视频质量评价方法进行了总结和分析。描述了近年来经典的传统和深度学习方法,指出了现有方法对视频质量评价的一些不足,为视频质量评价的进一步研究打下了基础。（2）提出一种基于特征丰富的无参考自然视频质量评价算法:以二维卷积神经网络为主体,将底层的图像特征与高层的语义特征进行自适应融合,以弥补高层特征带来的背景失真丢失的问题,然后采用通道挖掘机制在高维特征中捕捉通道依赖关系,最后采用一维时间卷积和长短期记忆单元对时间维的长短依赖性进行捕捉。（3）提出一种基于时空注意力的无参考自然视频质量评价算法:该算法由三维空洞卷积神经网络,质量相关的空间注意力与时间注意力模块组成。其中利用空洞卷积来同步捕捉时空维更大的感受野信息,而空间维注意力采用经过质量评价任务预训练的卷积层来提取空间权重,时间维则采用一维卷积提取权重,最后将权重施加在原特征上以突出质量相关信息。在自然视频数据集上与相应的深度学习方法进行对比,证明了我们算法的有效性。