图像是人们感受和理解世界的重要媒介,相比于文字和声音,图像承载着更加直观且丰富的信息。然而,在采集、处理和传输过程中,图像不可避免地产生失真和降质,增加了图像理解的难度。因此,需要设计图像质量评价算法解析图像降质的原因并量化其质量,从而为图像画质的增强和视觉体验的提升提供指导。本文从主观图像质量评价的特性出发,首先研究了主观图像质量评价中图像质量排序任务与评分任务的关联关系,并在此基础上设计相应的客观图像质量评价模型;接着,研究了基于合成失真图像的质量评价算法所面临灾难性遗忘问题的成因,并通过增量元学习的方式解决这一问题;最后,探索基于真实失真图像的持续评价算法。具体来讲,本文研究内容如下:（1）提出基于图像质量排序与评分关联分析的无参考图像质量评价算法。主观图像质量评价包含图像质量排序和评分任务,两任务之间具有执行的顺序性和相互引导的同步性的关联关系。现有无参考图像质量评价算法仅考虑图像质量评分,忽略图像质量排序的在评价中同等的主体性地位,导致算法预测图像质量的秩相关性较差。针对该问题,本算法构建贝叶斯图模型将主观图像质量评价中两任务的关联关系映射为客观模型设计可遵从的策略,包括,满足顺序性的参数共享策略和满足同步性的损失函数动态同步优化策略。根据设计策略,本算法构建以反馈网络作为主体的无参考图像质量评价模型。具体来讲,首先设计包含双时间步的反馈网络,排序和评分任务分别占第一和第二时间步,评分任务通过网络的信息反馈共享排序任务的网络参数。然后,为评价和排序任务设置粒度不同的损失函数,动态加权两损失函数并对网络进行同步优化。在真实失真图像质量评价数据库上进行大量的实验表明,本算法性能优异。（2）提出基于增量元学习的无参考图像质量评价算法。客观图像质量评价算法在评价新旧失真图像的过程中,不具有主观评价的记忆连续性。针对这一问题,本算法探索模型学习新失真图像评价任务时遗忘旧任务的成因,并提出数据重放和增量元学习的反遗忘策略,分别对模型训练数据采样和图像质量预测头参数更新施加因果干预,从数据和学习层面建立旧任务对新任务的影响,实现新旧任务之间的因果关联。具体来讲,首先设置记忆缓存区用来动态存储已完成训练的数据。接着,组合新采样数据与记忆缓存区部分数据得到训练集,并以失真类型或级别的不同将其划分为由旧至新的多个元任务。然后,赋予每一个元任务独立预测头,并按元学习范式调整预测头参数。最后,动态加权所有元任务预测头的参数,实现主干网络参数的增量更新。在合成失真图像质量评价数据集上的实验表明,本算法性能优异。（3）提出基于因果蒸馏学习的无参考图像质量评价算法。由于真实失真图像之间场景信息和失真信息缺乏共性,现有的以持续学习作为目标的图像质量评价算法无法从单纯的低阶图像特征中获取有效的信息来实现评价经验在新旧任务之间的迁移。针对该问题,本章算法提出一种基于因果蒸馏学习的无参考图像质量评价方法,抽象出算法在旧图像质量评价任务中获取的先验知识,并将此通过蒸馏的方式对新任务的执行进行因果干预,从而实现新旧任务的因果关联,消除算法在新旧任务转换学习时对旧任务灾难性遗忘的问题,达到持续评价的目的。具体来讲,该算法首先挖掘旧任务特征空间中图像质量感知特征之间的相关性,接着量化此相关性并对新任务中图像质量感知特征进行加权干预,然后以加权特征作为基准进行后续的图像质量评价任务。在真实图像质量评价数据集上的大量实验表明,本算法性能优异。