现代社会是个信息化的社会,各个领域都涉及到快速有效的自动身份验证,目前被认为最可靠的身份验证方法是生物特征识别技术。人脸被认为是最理想的用于身份鉴定的生物特征,在国家安全、司法机关、海关、保险等各个领域都具有广泛的应用和发展前景,但在很多情况下人脸的采集都是非接触性和不可控制的,而且的很容易受到光照、角度、遮掩和表情的影响,这些都降低了身份鉴定的有效性。若能很好的控制人脸图像质量,就能有效地提高系统的检测和识别性能。研究人脸图像质量的评价方法,具有很重要的理论与现实意义。本文围绕基于CNN的无参考人脸图像质量评估展开相应研究。本文首先描述了人脸图像质量评估的背景和意义,归纳了人脸图像质量评估常用方法,以及人脸失真的主要类型,并着重分析了目前无参考人脸图像质量评估方法;其次,对卷积神经网络进行了概述,分析了卷积神经网络算法的理论基础;介绍了卷积神经网络应用于无参考图像质量评估的算法,对卷积神经网络运用于无参考人脸图像质量评估进行了可行性分析,提出了基于CNN的无参考人脸图像质量评估的方法。最后,在Caffe平台上设计和优化CNN网络,将得到的优化网络模型应用于提取数据集图像的深层特征;并设计和训练了支持向量机多类分类器(SVMs),利用多类分类器输出的分类置信度得出人脸图像评估分数。本文通过实验给出了基于CNN的无参考人脸图像质量评估的评估分数分布图,并将基于CNN的无参考人脸图像质量评估方法与学习排序的评估方法Learning To Rank进行了对比,分析得知,本文提出的评估方法符合人类的视觉感知系统。