获取高质高效的视觉信息对推动人工智能技术的发展至关重要。传统相机虽然可以获取纹理丰富的高空间分辨率图像,但是在高速运动、大动态范围等场景下,传统相机常常出现模糊、曝光不足或曝光过度等问题。另外,随着帧率的提高,传统相机会产生大量的冗余数据,这极大地占用了存储资源和计算资源。受生物视觉启发,事件相机基于能量差分进行成像,颠覆了传统相机的光强积分采样原理。事件相机只对动态变化的场景内容作出响应,其每个像素独立工作:当一个像素上的光强发生变化且达到阈值,则该像素产生一个事件信号。相比于传统相机,事件相机具有成像速度快、时间分辨率高、动态范围大、数据冗余少、功耗低等优势。然而,事件相机的输出是一串异步稀疏的非结构化事件流,既不利于人类视觉系统的观看,也不利于图像处理算法在事件相机上的应用。因此,需要进行事件到图像的重构。同时,为了保证重构出来的图像能够满足人类的主观感知体验,还需要对图像的质量进行评估。通过图像质量评价,既可以监测重构图像的质量,也可以作为优化指标,反馈改善重构算法。针对上述需求,本文面向事件相机开展了基于事件的图像重构及其质量评价相关的研究工作。主要研究内容和创新点有:1、提出了一种基于多尺度域自适应策略的无监督图像重构算法。由于事件信号纹理稀疏且真值标签难以获取,导致现有方法难以有效地重构出高质量的图像。为此,首先基于长短时事件补全策略构造出了包含丰富背景信息的全时事件张量,来缓解事件信号纹理稀疏难题。接着,基于事件到图像重构与传统图像增强之间的关联性,即两者均是从退化信息中恢复清晰的纹理内容,进一步提出了一种无监督的域自适应重构方法。该域自适应方法通过在多尺度的输出空间进行对抗训练来学习域不变特征,从而将图像增强中学习到的知识迁移到基于事件的图像重构中。实验结果表明,我们所提的无监督算法可以有效地重构出高质量的图像。2、提出了一种基于层级质量衰减度量的无参考图像质量评价模型。深度学习网络需要大数据驱动,而现有的无参考质量评价网络面临着缺乏大数据以及难以准确全面地描述质量衰减的难题。为此首先建立了一个百万数量级的大型数据库,并融合多个全参考质量评价模型为每张图像计算出一个质量分值。接着,受视觉系统信息层级处理机制的启发,设计了一个基于层级衰减特征融合的深度卷积神经网络,在大数据的驱动下,通过端到端的层级联合优化,完成图像层级质量衰减的全面度量。实验结果表明,通过从数据和模型两方面共同发力,本文提出的方法可以实现对图像层级质量衰减的全面分析,并取得满意的评价性能。3、提出了一个具备主动推导能力的无参考图像质量评价模型。针对无参考图像质量评价缺少参考信息的限制,受大脑内在推导机制（IGM,Internal Generative Mechanism）的启发,首先设计了一个基于生成对抗网络的主动推导模块来模拟IGM机制,预测污染图像的主要内容。在该模块的优化过程中,提出了两个受IGM启发的约束:保证语义一致性的语义相似性约束和结构完整性的结构不相似性约束。接下来,根据污染图像和主要内容之间的关系,设计了一个多流卷积神经网络,综合分析视觉内容、污染和结构退化对图像质量的影响。实验结果表明,提出的方法能够准确预测污染图像的主要内容,并实现对图像质量的准确评估,表现出良好的泛化性和鲁棒性。