空气质量问题已经严重影响了人们的健康和日常活动。传统的空气质量检测大多由专业的环境检测站完成,但其受限于人力、物力、财力和检测距离。随着近年来监控等图像设备的广泛部署和深度学习的迅猛发展,基于卷积神经网络技术的图像空气质量检测,不但能提高检测效率,而且能降低检测的人力和物力成本。因此本文提出了多种基于卷积神经网络的图像空气质量评价算法,主要工作包括:(1)构建了一个新的图像空气质量评价数据集,包括命名为SHFW和BJFW的两个子数据集。数据集的每条数据包括一幅自然图像、四维气象特征(湿度、温度、风速和压力)及对应的PM2.5值。(2)提出了一种基于残差网络和迁移学习的图像空气质量评价算法。针对图像空气质量的细粒度评价问题,构建了一个基于残差网络的图像空气质量评价模型。在SHFW上与传统机器学习算法SBFS相比,均方根误差降低了47.43%,R平方拟合优度提高了52.63%;使用迁移学习方法对图像空气质量评价模型进行优化,进一步将均方根误差降低了2.57%,将R平方拟合优度提高了2.30%。(3)提出了一种基于层增强的浅层残差网络PMIE。针对图像物体识别与空气质量识别任务关注重点不同的问题,设计了一个浅层残差网络,并提出了一种卷积神经网络层间权重分析方法和一种卷积神经网络的层增强方法。提出的PMIE与残差网络相比,在SHFW上均方根误差降低了11.86%,R平方拟合优度提高了4.59%;在BJFW上,均方根误差降低了14.38%,R平方拟合优度提高了23.63%。(4)提出了一种融入气象学特征的图像空气质量评价算法。针对气象因素引起的图像视觉误差问题,将四维气象特征融入PMIE提取的图像特征,优化了图像空气质量评价模型。融入气象特征后,在SHFW上降低了0.094%的均方根误差,提高了1.09%的R平方拟合优度;在BJFW上降低了5.33%的均方根误差,提高了6.60%的R平方拟合优度。本文提出的多种基于卷积神经网络的图像空气质量评价算法,在提高空气质量检测效率的同时,降低了检测成本。