多媒体设备及信息科技的进步使数字图像的获取、分享变得越来越便捷。与此同时,由于拍摄设备各异、环境复杂、传输处理等因素,数字图像的质量无法得到保证,即数字图像从产生到最终到达消费者这一过程中,其质量容易受到损伤。因此,如何准确地评价图像的质量,并在各个环节严格监控图像的质量,最大限度地保证图像的质量不受影响对数字图像的应用具有重要的意义。图像最终会呈现在消费者面前,所以最可靠的评价策略为由测试者对图像的质量做出判断,即主观质量评价。然而,这种方式需要耗费大量的人力资源,在实际应用中也无法操作,所以,客观质量评价,即通过设计算法来对图像的质量进行评价变得尤为重要。基于此,本文针对客观质量评价展开深入研究。研究内容与创新点主要有:在无参考的质量评价方面,现有的方法大多属于有监督的方法,这类方法根据失真图像的主观分数在训练集上训练一个质量评价模型,然后利用该模型进行预测,这类方法通常受限于所使用的训练集,改变数据库算法性能会受到一定的影响,算法的泛化能力有限。然而,无监督方法不需要主观分数的介入而具有较强的泛化能力。因此,本文研究无监督的质量评价方法,通过探索自然图像的统计特性与视觉显著性对图像质量的表征作用,建立一个基于自然图像统计和视觉显著性的无监督无参考质量推断模型,实验结果表明提出的模型取得了优越的质量预测性能。对比度失真是常见的图像失真类型中的一种,通常由于曝光不当导致,比如过曝光或者曝光不足导致获取的图片过亮、过暗等。现有的无参考评价方法通常只给出一个质量分数,而不能对图像的失真情况进行描述,比如给出图像哪个区域存在失真,失真程度的大小等详细信息,而这些信息可以用于指导图像对比度增强等,具有重要的实用价值。因此,本章提出一种对比度失真图像描述方法,通过卷积神经网络学习一个局部失真映射模型,通过该模型对图像中对比度失真区域及失真程度进行准确描述,实验结果验证了模型的有效性。