近年来,随着多媒体技术和计算机网络的不断发展,数字图像作为一种高效的信息载体得到了广泛的应用,视频监控系统也成为了人们日常生活中不可或缺的一部分。从视频监控系统中得到的终端图像在经过采样、压缩、传输等一系列处理流程后会受到不同类型和程度的降质影响,我们将之统称为图像失真。终端图像的质量好坏直接影响到人眼从中获取到视觉信息的准确度,因此对其进行质量评估意义重大。由于无损图像的获取难度较大,因此对视频监控图像的质量评估通常使用无参考方法。随着机器学习模型的发展,基于机器学习的无参考质量评估方法也取得了不错的效果,尤其是深度学习的兴起,使得这类算法的性能得到了极大提升。基于机器学习的质量评估方法有两个不同的优化方向,第一个是质量特征的构建和优化,根据不同的视觉模型寻找出更加贴近人类主观感受的视觉特征;第二个是机器学习模型的优化,即寻找更加合适的机器学习模型对图像质量进行建模。本文中,我们主要研究特征优化的部分,根据监控图像的失真特性,对相关的质量特征进行了分析和改进。由于监控图像容易受到多重失真的混合影响,且图像不同区域的失真类型和失真分布各有特点,本文在分析了多种经典的无参考质量评估方法后,以自然场景统计模型为基础提出了一种针对多重失真图像的评估方法。首先,本文对空域特征存在的问题进行了分析和改进,并引入了一个新的特征参数来提高其准确性。然后,基于图像分块处理的思路,本文引入了词袋模型来重构图像,一定程度上解决了不均匀失真给图像特征和质量带来的混淆。最后,我们通过支持向量机对图像的单词分布和质量分数之间的关系进行建模。考虑到图像底层特征和人类感知之间的语义鸿沟问题,本文在词袋模型的基础上又进一步引入了主题模型来反映图像的质量情况,解决了多重失真给图像空域特征造成的混淆问题。随后,针对视频监控图像的复杂性,本文又引入了视觉注意机制和信息熵来改进图像的特征构建和潜在语义分析过程,最终我们用支持向量机进行训练得到针对监控图像的质量评估模型。