作为一种比语音和文字更丰富的信息载体,视觉数据是人们获取信息和理解世界的主要方式,拍摄和分享高质量的图像也成为了我们日常生活不可或缺的一部分。高质量的图像是给人以舒适的视觉体验、传递清晰完整信息的基础。然而,由于光照条件的限制、成像系统的缺陷、传输压缩的损失、显示设备的错配,加之拍摄技巧有限和物体的运动等原因,在图像的实际获取、处理、传输和显示等各个环节,都会不可避免的引入失真。如何建立自动准确的无参考图像质量评价方法和模型,对指导成像过程、优化处理算法和提升视觉体验具有重要意义。本文旨在参照人类视觉系统感知和理解视觉信号的相关机制,探索符合人类视觉认知过程的无参考图像质量评价方法。具体而言,本文所提方法与主要贡献如下:第一部分提出了一种基于像素空间相关性的传统无参考图像质量评价方法。该方法引入邻域共生矩阵作为一种新颖的结构描述符,从多通道、多尺度上构建了失真图像的邻域共生矩阵,以突显隐藏在图像像素相对位置中的质量感知信息。同时,为了度量邻域共生矩阵分布的非自然性进而预测图像质量,本章设计了包含分布熵、对比度和同质性的一系列统计特征。最后,通过将邻域共生矩阵的分布特征与经典的自然场景统计特征的相联结,建立从联合特征到图像质量分数的回归映射。大量实验表明,该方法在一些较为复杂的颜色失真和局部失真图像上取得了显著提升。第二部分提出了一种基于自动数据扩增的深度无参考图像质量评价方法。针对主观质量标注图像不足的问题,该方法基于美学构图和视觉注意机制设计了一种自动数据扩增策略。该策略能够对不同尺寸的失真图像自适应的确定裁剪尺寸和裁剪位置,从一张失真图像中得到多个质量一致的图像块作为训练数据。考虑到图像质量主要取决于视觉显著区域,该策略分为两步引导数据扩增过程:1)借鉴美学构图原则自适应确定裁剪尺寸,在能取出大部分视觉主体的同时又留有足够的扩增空间;2)采用视觉显著性检测进行二次筛选,确保来自同一张失真图像的所有图像块都取到了图像的大多数的视觉显著区域,共享相近的图像质量。最终,通过卷积神经网络从自动扩增的图像块中提取多层卷积特征,融合回归得到图像质量分数。实验表明该算法在人工失真和现实失真图像上都取得了杰出表现。第三部分提出了一种基于内在推导机制的深度无参考图像质量评价方法。研究表明人类视觉系统并非本地地处理输入的视觉信号,而是存在一套内在推导机制。该方法试图通过一个恢复重建网络模拟人类视觉系统的内在推导机制,具体而言,是通过对失真图像下采样后超分辨重建,来模拟人类视觉系统根据大脑中的记忆信息对待识别的视觉场景进行推导和恢复的过程。超分辨重建得到的恢复图像和失真图像的差异在一定程度上反映了图像中细节信息和结构信息的完好程度,可以用于预测图像质量。此后,一个孪生网络作为质量评价网络,被用于同时从失真图像和恢复图像中提取质量感知特征,回归预测图像质量分数。实验表明,该方法在多个公开数据集上都取得了杰出表现,进一步提升了无参考图像质量评价的主观一致性。