图像质量评估（Image Quality Assessment,IQA）是对失真图像的质量进行量化并输出与人眼视觉系统相一致的质量分数。无参考图像质量评估是无需参考图的前提下对各种失真图像建立感知模型,通过感知模型探索计算机与人眼视觉对图像质量理解的关系。无参考图像质量评估是图像处理领域的基础,它主要分为两大研究方向:（1）对图像的直接理解与感知,探索计算机视觉与人眼视觉的一致性;（2）利用质量信息,辅助提升基准图像处理任务的精度。本学位论文正是围绕图像质量评估的这两大方向展开研究,具体工作如下:（1）提出了一种基于精炼自然场景统计（Nature Scene Statistics,NSS）的无参考图像质量评估方法。现有的基于NSS的图像质量评估方法通常从同一个信息域提取质量特征,如离散余弦变化（Discrete Cosine Transform,DCT）域、小波域或空域。然而很少研究者探索不同信息域下质量特征的联动性。本文提出一种新的基于精炼NSS的无参考图像质量评估方法（Novel Blind IQA,NBIQA）,NBIQA根据Benford定律在DCT域中提取质量特征,并融入现有方法在频域和空域的质量特征建立支持向量回归（Support Vector Regression,SVR）模型。理论分析和实验结果都表明,提出的Benford质量特征对图像质量具有强相关性,而且NBIQA方法在合成失真与真实失真方面都优于现有的基于NSS图像无参考图像质量评估方法。（2）提出了一种基于可控列排序学习的无参考图像质量评估方法。真实世界的图像通常包含各种类型的失真。不幸的是,现有的质量评估方法并不能有效处理所有类型的失真。本文提出了一种基于可控列排序的通用无参考图像质量评估方法（Controllable List-wise Ranking for IQA,CLRIQA）。CLRIQA首先设计了启发式方法（Imaging-heuristic approach,IHA）模拟真实失真获取退化图像,从而达到数据增广的目的。然后,根据退化信息设计一个可控列排序的损失函数去训练质量排序网络。最后利用带质量标注的数据集进行回归微调。在多个质量评估基准数据集上的测试结果表明,CLRIQA方法的性能均超越现有的基于排序学习的无参考质量评估方法。（3）提出了一种基于相似度分布的无监督人脸图像质量评估方法。以往的人脸图像质量评估研究大多以样本层面不确定性或配对相似度作为质量评分,他们只考虑部分类内信息。然而,这些方法忽略了来自类间的有价值的信息。本文提出了基于相似度分布的无监督人脸图像质量评估方法（Face Image Quality Assessment with Similarity Distribution Distance,SDD-FIQA）。SDD-FIQA首先通过衡量人脸识别模型性能的误差拒绝曲线从理论上导出了人脸图像质量与其类内-类间相似度分布距离直接相关。随后利用Wasserstein准则度量类内-类间相似度分布距离,并用来生成质量伪标签。最后利用质量伪标签训练质量回归网络。测试在基准数据集上的大量实验结果表明,提出的SDDFIQA的性能达到了当前最先进的技术水平。同时,我们的方法在不同的识别系统中都有很好的泛化效果。