随着多媒体技术的发展,硬件不断地更新与完善,虚拟现实(Virtual Reality,VR)技术也逐渐地走进人们的视野。作为一种新兴的媒体,它引起了人们广泛的关注与研究兴趣。然而由于VR视频图像的高分辨率,使其难以传输、压缩以及存储;同时由于VR的实施需要特定的佩戴条件,限制了该行业的进一步发展。于是研究VR视频图像质量评价方法对于推进VR行业的发展具有重要意义。但是,针对VR视频图像的图像质量评价,仍然缺少适当的方法,目前大量使用的还是传统的质量评价方法。另一方面,VR视频图像数据集的匮乏也是限制VR视频图像质量评价研究的关键因素。因此,本文旨在创建VR视频图像的数据集,以缓解这方面的匮乏,同时研究VR视频图像的主观评价与客观评价方法,以促进VR技术相关领域的进一步发展。主要研究成果如下:针对VR视频图像数据集匮乏的问题,本文建立了两个VR视频图像的数据库,并提出一种VR视频图像的主观质量评价方法,缓解了当前缺乏专门的VR视频图像主观评价方法以及数据库的问题。实验结果证明了提出的针对于VR视频图像主观质量评价的方案能正确评价VR视频图像的质量,进而验证了所建立的两个数据集的可靠性,为客观质量评价的研究奠定了良好的基础。设计一种基于3D卷积神经网络的VR视频图像客观质量评价模型。该方法将视频均等抽取10帧,然后将其合并,再以不重叠无间隔的方式分成128*128的小块作为网络的输入参数之一,同时将主观评价分数和视频图像的权重值输入网络。最后,经过训练测试建立了一个3D卷积神经网络的客观质量评价模型。该模型更适合视频分析,因为与2D卷积神经网络相比,它保留了输入时间信息。实验结果也证明了该模型性能的优越性。提出一种基于支持向量机的VR图像客观质量评价方法。该方法以VR图像的特性为基础,除了提取图像的明度、色调、饱和度、纹理特征之外,还对VR图像进行显著性分析,并将VR图像的显著图作为其中一维特征。然后运用稀疏字典学习对显著性特征进行稀疏化,最后运用主成分分析(Principal Component Analysis,PCA)对提取的特征进行降维处理,得到一个联合表示特征作为最终特征值。最后,结合联合特征值与主观得分分数,通过训练建立了一个基于支持向量回归的客观质量评价模型,并将其用于VR图像数据集的质量预测,实验结果表明该模型相较于其它客观评价方法性能更好。