随着消费电子和互联网的普及，数字图像和视频技术迅猛地发展起来。在数字图像和视频处理中，图像质量评价是一个关键性的问题。图像质量评价的目的就是估计出图像质量的好坏。在实际应用中，图像质量评价作为一个基准，可以为不同的图像处理算法之间的性能比较提供一个度量，也可以为优化视频通信系统提供了一种解决途径。为了解决图像质量的自动评价问题，各种客观图像质量评价方法被提出来了。图像质量评价有两个最基本的关键点：(1)提取有效的特征来表达图像的失真程度；(2)找到合适的方法将这些特征汇聚到一起，形成对图像的整体质量评价。针对这两个关键点，本文提出了一个两阶段的全参考图像质量评价模型。第一阶段进行图像的局部建模，计算图像的局部质量分，将这些局部质量评价作为特征来表达图像的失真程度。受到近年来研究人员对稀疏表达模型和人类视觉系统V1区研究的启发，我们相信稀疏表达模型能够很好地为局部图像的统计特性建模，提取出有效的特征。因此在第一阶段，稀疏编码模型被用来进行图像的局部建模，获得图像的局部质量。在第二阶段，为了能够将在第一阶段获得的局部质量分汇聚成图像的整体质量评价，本文采用了机器学习的方法来模拟人类视觉系统的复杂特性。具体地说，本文使用了核脊回归模型来学习出不同区域的图像质量分和图像整体质量之间的映射关系。这样，在计算出测试失真图像的局部质量之后，通过核脊回归模型就可以得到测试失真图像的客观质量分。为了验证本文方法的有效性，本文在LIVE、TID2008、IVC、CSIQ和Toyama-MICT这五个独立的图像质量评价数据库上进行了实验验证。实验结果证明了本文提出全参考图像质量评价方法的有效性和相对于目前一些顶级图像质量平评价算法的优越性。