在图像的采集、存储、传输和处理过程中,由于各种因素的影响,图像的视觉质量不可避免地发生退化。对于与图像质量有关的应用,设计一个有效的计算模型以自动地估计图像的质量是非常重要的工作重点。此外,客观图像质量评估也是学术界的研究热点。图像退化往往会造成图像主观视觉上的差异,同时伴随着图像内容结构的改变。基于上述观测,近年来,众多提取图像内在结构的技术被成功地应用到图像质量评估领域,其中字典学习和稀疏编码技术由于具有较好的与人类视觉系统相关的生物神经科学基础和计算基础,更是受到了广泛的关注。目前的基于稀疏表达的图像质量评估方法偏重利用稀疏系数来构建图像特征,其中字典还有待被进一步地开发利用。另外,现有的方法基于信号的线性重构模型去表征图像,考虑到真实世界中图像数据更为复杂,线性模型有一定的局限性。本文针对上述问题,基于稀疏表达的理论和技术,从字典和编码系数两个方面进行探索和研究。其一,对于模糊和压缩图像,其退化会导致高频细节的丢失,通过对问题的分析和对参考及退化图像对应字典的观察,本文发现当编码系数固定时可以用字典差异来量化退化程度,由此提出针对此类型图像的基于混合字典学习的质量评估方法。其二,针对复杂图像数据往往处于一个高维空间的低维子流形上的情况,本文引入核稀疏编码以线性化图像数据中的非线性,提出了适用于一般退化类型的基于核稀疏编码的图像质量评估方法;该方法同时考虑到稀疏编码的物理意义,综合利用求得的稀疏系数和重构残差来估计质量分数,以获得与人类视觉系统更兼容的性能。针对所提的两个方法,本文在常用的图像质量评估基准数据集上分别设计和进行了一系列的实验,实验结果均证明了所提方法的有效性和优越性。