随着万物互联时代的到来,图像的质量对图像作为信息载体的可靠性和有效性起着决定性的意义。因此,对图像的质量进行准确的评价直接关乎着图像能否作为信息载体得到更广泛应用。在实际应用中的大多数失真图像无对应的无失真高清图像。因此,针对盲图像质量的评价工作更具有研究意义。盲图像质量评价研究中,如何准确提取到与图像失真程度高度相关的特征以及算法对不同失真类型图像均能进行准确评价一直是研究的难点问题。针对这些问题,本文将深度学习中的卷积神经网络用于盲图像质量评价研究,在训练图像质量盲评价回归网络中,提出基于局部区域置信度的校验方法,使得网络预测结果能够更好地拟合人类主观视觉。在对数据库样本进行分块扩充的基础上,研究不同尺寸的图像子块预测质量分数的统计均值和图像主观质量分数之间的关系,确定出最佳图像分块尺寸。实验研究表明,本文统计网络预测的图像子块质量分数均值作为图像预测质量的方法能够较为准确的拟合人眼主观感知,且本文网络模型鲁棒性较强,在不同失真类型图像下均具有效性。为进一步拟合人眼主观一致性,本文又进一步提出了一种基于图像块预测分数置信度的预测分数计算方法。主要对图像子块的对比度进行统计并以此作为子块预测分数的置信度,同时根据图像子块的亮度值构建了图像子块预测分数的置信区间,将亮度值过高和偏低的图像子块预测分数剔除。将网络模型得到的图像子块质量预测分数与子块置信度结合,计算得到更符合人眼观测模型的预测质量分数。实验结果表明,该算法对大多数情况下的失真预测的准确性均有提升。