随着网络视频应用的不断普及,例如视频点播,数字电视,互联网上的视频流媒体等等,数字视频正逐渐的走入人类的日常生活中。随着而来的是人们对图像与视频的质量提出了更高的要求。为了保证视频应用服务质量的要求,在视频处理和通信系统的设计过程中,视频质量评价和视频质量控制是必不可少的组成部分。因此,研究视频质量评价方法具有重要的意义和广泛的应用前景。人们发现自然视频图像具有一定的自然场景统计特性(NSS),不同降质及降质程度对视频图像的自然场景统计特性的影响不同。本文的研究工作是在这两者的基础上进行的。基于HVS和NSS这两种特性,本文提出了基于深度学习的无参考图像质量评价。方法首先提取降质图像在小波域的统计规律,通过深度学习网络判断自然图像降质类型,建立失真图像质量池,根据图像的降质类型以及对应的图像的质量池获得自然图像的客观质量。自然视频是由自然图像按照一定的顺序排列获得,因此自然视频在空间域也存在统计特性,同时视频具有时间特性,基于自然视频的时空特性提出了一种基于视频时空特性的无参考视频质量评价方法。为了简化算法,算法首先检测视频的场景变化,提取视频关键帧,在相同的场景下,结合视频的空域失真与时域失真计算获得视频的客观质量。同时考虑到HVS中的感兴趣对人眼视觉系统的影响,本文提出了基于感兴趣区域的视频质量评价。方法首先检测视频感兴趣区域与非感兴趣区域,并分别度量出两种区域内的块效应和模糊效应,给与两种区域不同的权值,计算得到视频的客观质量。通过LIVE图像数据库和VQEG相关数据库中标准图像和视频,对所提出的方法进行了验证,实验证明本文所提出的方法相比于现存方法准确度更高,并与视觉主观感受保持很好的一致性。