在信息化时代,视觉是人类获取信息的重要途径之一。图像作为视觉信息的重要组成部分,可以给我们提供丰富的信息。高质量的图像既可以满足视觉上的追求,又可以为众多领域的研究提供精准信息。然而,图像在采集、存储、处理以及传播的过程会引入各种类型的失真,从而导致图像质量下降,给人类获取信息带来很大困难。因此,如何快速准确地评价图像质量是非常重要的,近年来也引起了学者们的广泛关注。本文针对高斯模糊图像和DIBR合成图像的质量评价展开研究,具体研究内容包括以下两个方面:（1）针对高斯模糊图像,提出了一种基于Ada Boost BPNN的无参考质量评价方法。该方法,首先提取了模糊度、粗糙度、线性度以及清晰度四个浅层特征,然后利用深度学习中的VGG19网络提取五个深度特征,最后通过Ada Boost BPNN将提取的浅层特征和深度特征进行融合,从而训练出质量评价模型对高斯模糊图像进行质量评价。实验表明,所提方法与现有的大多数方法在客观评价指标上相比更有优势,并且与主观评价结果保持了较高的一致性。（2）针对DIBR合成图像,提出了一种基于空洞和轮廓扩增的图像质量评价方法。该方法考虑空洞和轮廓扩增两类失真对DIBR合成图像质量的影响,首先利用分水岭算法对空洞特征提取和标记,并借助该区域的离散度和面积设计空洞失真的质量分数;然后,通过计算失真图像和基准图像之间的轮廓差异提取出了轮廓扩增区域,并将该区域的面积作为轮廓扩增失真的质量分数;最后,对两个质量分数进行池化得到最终的质量评价分数。实验结果表明,该方法具有较高的评价准确率,符合人眼对DIBR合成的失真图像的主观感受。