视觉信息数字化波及到世界的每一个角落，人们将不断追求视觉信息的高清晰和高保真。但是视觉信息在采集、压缩、处理、传输和恢复的过程中都可能会引入失真，它们会给视觉信息的处理、分析和解译带来一定的障碍，也影响了人们正确认识客观世界的程度。因此，需要设计合理可靠的评价方法来精确度量视觉信息的感知质量，从而方便地指导视觉信息处理系统的优化、改进和提高，以最少的代价提供最优的视觉质量。本文针对视觉信息中自然场景图像的质量感知模型和评价方法这一基本问题，开展了系统深入的研究。以人类视觉系统基本特性为基础，探索视觉信息的感知特性，分析自然场景的统计规律，建模质量语义分层特性，构建视觉信息客观质量评价方法，度量视觉信息的保真度和可懂度，为视觉信息处理系统的设计和优化提供合理的依据。主要的研究内容概括如下：（1）考虑到人类视觉系统对不同的形态学成份具有不同的感知特性，并结合视觉恰可察觉差异模型，提出了一种基于形态学成份分析的全参考型图像质量评价方法。首先通过形态学成份分析把原始图像和失真图像都稀疏表示成纹理和卡通成份；然后分别建模和求解两种形态学成份的恰可察觉差异感知特性；最后计算原始图像和失真图像的感知特性的差异，并对两种形态学的误差进行融合得到失真图像的质量。实验结果表明此方法能够有效的评价不同失真类型的图像，并优于经典的图像质量评价算法。（2）提出了基于S-CIELAB颜色模型的全参考型图像质量评价方法。由于自然场景图像具有的色彩非常丰富，信息量非常大，图像失真引起的颜色信息丢失，对于图像的感知质量具有重要的影响。因此，基于人眼感知过程中颜色视觉特性，提出了基于符合人类视觉特性的S-CIELAB颜色模型的全参考型图像质量评价方法。首先将参考图像和待测图像变换到S-CIELAB颜色空间，然后对变换后的三个通道分别计算待测与原始图像间的结构相似性，最后融合三个通道得到最终图像质量。实验结果表明客观评价结果与主观评价结果达到较好的一致性。（3）提出了基于颜色分形结构特征的部分参考型图像质量评价方法。颜色信息在图像质量感知中起着至关重要的作用，但在很多情况下无法完全获取这些信息，因此提出了一种基于颜色分形结构模型的部分参考型图像质量评价方法。首先用分形结构模型分别提取原始图像和待测图像的颜色信息和结构信息，用以模拟自然图像中颜色的局部性和相似性；然后比较原始图像和失真图像特征的差异；最后运用支持向量回归将特征差异映射成图像质量。该方法有效地减少了对原始图像信息的依赖程度，具有更广泛的应用，且实验结果表明该算法的性能优于现有部分参考型质量评价方法。（4）提出了基于自然场景统计特征稀疏表示的无参考型图像质量评价方法。目前大多数无参考型图像质量评价方法只能针对一种或几种特定失真类型图像进行质量评价。因此，提出了一种针对自然场景图像的无参考型图像质量评价方法，实现了对不同类型失真图像的有效评测，具有通用性和普适性。首先将待测图像进行小波分解，提取其自然场景统计特征；然后通过稀疏表示对特征进行编码；最后通过稀疏编码系数对平均主观差异分数值进行加权求和得到视觉感知质量。实验结果表明，该方法评价结果与主观感知质量具有较高的一致性，较现有的无参考型图像质量评价方法和经典全参考型图像质量评价算法有更好的性能。（5）提出了基于视觉质量主题的真正无参考型图像质量评价方法。由于视觉显著性在质量评价中占有非常重要的地位，以视觉显著性作为先验，主导视觉隐主题的分布，提出了视觉显著性加权的分层狄利克雷过程混合模型。基于该模型提出了无参考型质量评价方法。首先对训练集图像进行质量感知特征提取并建立视觉字典；然后根据前面提出的模型计算与视觉质量有关的主题分布；最后计算失真图像的主题分布与原始图像的主题分布的差异得到最终的图像质量。在现有公开数据库上的实验验证了该方法在一致性和鲁棒性方面更具优势。上述的研究从全参考型到无参考型，对参考图像信息的依赖性逐渐降低，实际应用性逐渐增强，理论由浅入深，对视觉信息质量感知模型及评价方法进行了深入研究。本文的研究成果为视觉信息客观质量评价方法的研究开辟了新的思路，具有重要的理论意义及实用价值。