图像超分辨率技术以低分辨率图像为基础,通过推断图像像素值,重构图像的细节信息,以提升图像中目标物的分辨率,从而带给人们更多的视觉信息,为用户提供更好的视觉质量。随着人们对图像清晰度要求的提高,图像超分辨率已成为计算机视觉和图像处理领域的研究热点。然而,当前众多的图像超分辨率算法的性能评估暂无统一标准,目前仍以传统的全参考图像质量评价指标为主要评估方式。但由于超分辨率图像与其参考图像的像素点对应不严格、尺寸不同,导致传统的全参考评价指标性能不佳。因此,有必要设计针对超分辨率图像的视觉质量评估算法。本文针对超分辨率图像质量评价进行深入研究,提出基于深度学习的超分辨率图像质量评价方法,以准确衡量图像超分辨率算法性能。具体贡献如下:（1）基于半自动的用户评分机制,构建大尺度的超分辨率图像质量评测数据库。实验表明,对图像进行连续超分辨率操作,其质量变化满足明确的衰减规律。基于该统计特性,本文提出半自动的超分辨率图像质量评分方法,构建了当前最大尺度的超分辨率图像质量评测数据库,为超分辨率图像质量评价研究提供数据基础。（2）基于深度神经网络和注意力机制,构建数据驱动的无参考与半参考的超分辨率图像质量评价模型。本文应用卷积神经网络为基础框架,结合深度学习中的注意力机制,提取超分辨率图像特征并构建特征与图像质量间的映射,从而实现超分辨率图像的视觉质量评估。实验表明,所提出的质量评估算法性能优越,且泛化性能良好。（3）基于本文构建的质量评测模型,对现有的图像超分辨率算法性能进行评测与分析。本文采用不同的图像超分辨率算法对相同的低分辨率图像进行重构,并应用所提出的半参考模型评价各重构图像的质量。根据质量评价结果,本文对各图像超分辨率算法性能进行了分析与讨论。本文提出的超分辨率图像质量评价模型,为相关算法的性能评估提供了有效解决方案,并可辅助优化相关算法性能。此外,本文构建的图像质量数据库是当前最大规模的数据库,可作为基准数据库用于相关工作的后续研究。