受限于采集设备、传输网络和压缩技术等现实条件影响,视频文件在采集、压缩、传输、解码、显示的过程中,不可避免会产生失真。视频质量评价方法（Video Quality Assessment,VQA）旨在为存在失真的有损视频提供符合人类视觉感知的质量评价。因其在衡量视频处理系统性能以及评估用户视觉体验上具有不可或缺的价值,VQA技术被广泛应用于视频媒体平台、终端设备、无人机采集系统等。现有客观VQA算法旨在模拟人类视觉感知系统,建立描述视频失真特征、映射质量分数的模型。虽然现有基于机器学习和基于传统人工特征的VQA方法在质量评价方面取得良好进展,但依然面临如下三个问题:如何建立鲁棒的表征模型来提取视频的时空特性;如何有效地利用有限样本进行特征学习;如何平衡VQA算法的性能、计算量以及计算速度三者之间的关系。针对上述问题,本文对基于特征学习的VQA模型展开深入研究,结合深度学习、迁移学习、弱监督学习及排序学习,提出多种VQA方法,逐步提升模型的特征表征能力,丰富样本内容、平衡算法性能与计算量需求。总体而言,本文共提出四个VQA算法,分别从算法框架、样本迁移、适用失真类型、算法复杂度及算法性能几个方面,逐步实现算法升级。本文所取得的主要研究成果概括如下:1.针对传统特征表征能力有限及样本匮乏的问题,面向无参考任务,提出基于弱监督学习和特征迁移的VQA方法,建立模型基本框架,实现失真图像迁移及高维特征提取,提升算法评价能力。现有VQA面临两个问题,一方面是如何建立鲁棒的表征模型提取视频的时空特性,另一方面是如何有效地利用有限样本进行特征学习。为了建立基于深度学习的有效表征模型,提升模型对于视频失真特性的表征能力,本文建立基于弱监督学习的卷积神经网络,并设计基于样本排序的弱标签生成算法以区分样本的局部失真程度。针对样本规模较小的问题,本文根据基于特征表示的迁移学习方法,将失真图像与失真视频迁移至共同特征域,利用重采样策略将失真图像语义信息有效利用至VQA任务中。2.针对弱标签误差及失真图像迁移模式,面向压缩视频的全参考任务,提出一种基于知识迁移和视觉显著性的VQA方法,改进算法框架,提升失真图像迁移效率,结合视觉显著性特征,并分析弱标签误差。本文提出的基于弱监督学习和特征迁移的VQA方法未充分利用迁移图像的高维特征,且样本弱标签给网络学习带来误差。针对如何高效利用迁移图像问题,本文提出一种基于知识迁移和弱监督学习的特征提取方法,利用基于特征表示的迁移学习将失真图像与失真视频迁移至共同特征空间,并将失真图像作为预训练集,生成与失真相关的网络初始参数。其次,针对视频质量聚合问题,引入视觉注意力机制描述失真视频的局部特性。最后,本文分析块样本弱标签生成机制给算法性能引入的误差,并提出后处理策略实现质量弥补,提升算法的质量评价准确性。3.针对深度学习网络表征能力及质量聚合算法,面向通用型全参考任务,提出基于稠密连接网络和排序学习的VQA方法,旨在从高维特征提取、块质量聚合两方面进行优化。针对前述算法的深度学习网络结构较为简单、特征表征能力有限的问题,本文引用结构较复杂的稠密连接网络进行高维特征提取。其次,针对视频块空间关系以及全局空间信息缺失问题,本文引入空间金字塔池化层于网络结构中,使得网络能够处理具有任意空域大小的输入样本,从而提取视频的全局空域信息。最后,为了进一步优化块质量聚合方法,本文引入排序学习算法,一方面学习失真视频的排序关系,一方面学习从块质量到整体视频质量的映射关系。此外,引入排序学习算法,可以间接解决聚合方法的样本量匮乏问题。4.针对算法性能与计算量的平衡需求,面向轻量级全参考任务,提出一种基于端到端轻量级网络及后验概率加权损失的全参考VQA方法,结合时空切片及二、三维卷积建立轻量级表征模型,设计基于后验概率加权的损失函数区分局部失真,实现算法性能与计算量的平衡。现有基于深度学习的VQA方法通常将训练视频切为块样本,以增加训练样本量并减少计算量需求。且训练块样本继承原始视频的主观质量分数,忽略失真的不均匀性及块样本的个体差异。因此,本文设计基于后验概率加权机制的损失函数,利用失真灵敏度表征视频块的不同权重。其次,深度学习网络的模型表征能力不仅依赖于网络结构设计,如更深或更宽的网络层数,还依赖于庞大的计算资源。在有限且昂贵的计算资源下,平衡算法的性能与计算成本是现实需求。因此,本文提出基于时空切片及混合卷积的VQA网络,从时域、空域及时空域多方向实现特征提取。综上所述,本文通过对VQA领域面临问题的分析,提出四种与人类主观感受相吻合的客观质量评价模型。这四种模型互为补充、逐步优化,实现了从两阶段模型到端到端模型的改进,从适用于压缩失真到适用于多种失真,从迁移样本重采样到迁移样本预训练,以及实现了算法性能与计算量需求的平衡,为视频质量合理评价方法的探索做出了积极的尝试。