在大数据时代,图像已经成为人们日常生活中主要的信息载体。然而图像在成像以及传输过程中会不可避免的引入各种失真,引发图像质量的衰减。而图像作为人类主观感知、机器视觉的主要信息源,其质量好坏直接决定所获取信息的有效性。因此如何评价图像质量,以及图像质量是否满足特定场景要求亟待解决,而这个问题的解决需要建立合理的图像质量评价方法与评价标准。客观图像质量评价方法的发展离不开数据库的支持,图像质量评价数据库通过基准测试改进现有方法,并为新模型的训练和参数拟合提供数据源。图像质量评价数据库在建立时通常遵循标准程序,不仅图像内容的多样性受到限制,而且人为评估图像质量会耗费大量人力物力,导致现有数据库规模较小。小规模数据库使得现有基于深度学习的无参考质量评价方法存在各种各样的弊端,而且现有基于深度学习的方法通常模型参数量较大,流程复杂,无法满足实际应用中准确性、实时性等要求。此外,图像质量评价通常是以质量分数去定量分析图像质量的衰减情况,某些情况下可能与人的主观感知并不一致,而且单一的标量值并不能反映出图像哪一部分受损以及受损程度。针对上述问题,本文研究内容如下:针对现有数据库规模较小的问题,建立了一个大规模图像质量评价数据库,并通过实验分析进一步验证了数据库的有效性。数据库建立流程如下:首先,为保证图像内容的多样性,从MS COCO2014数据集中筛选了10340张典型场景的高清图像作为原始图像;其次,为保证失真类型的多样性,仿真了21种失真类型;然后,为解决人为评价图像质量既费时又昂贵的问题,使用混合全参考算法评估失真图像的质量分数;最后,为解决质量分数尺度不一致的问题,使用非线性模型进行归一化。该数据集极大的扩展了视觉内容和失真种类的多样性,解决了现有数据库规模太小、训练数据不足的问题,为开发无参考质量评价算法提供了支持。针对现有基于深度学习的无参考质量评价方法存在的问题,受人类视觉系统处理视觉信号时的层次化机制,提出了级联层级衰减融合网络,其由级联特征提取网络、特征下采样网络、特征回归网络组成,不仅以端到端的方式进行学习,而且充分考虑了图像质量衰减的层次化特性。由于超轻量级的网络设计,进一步将其集成到微型处理系统上,实现了可见光图像无参考质量评价系统,可以准确快速地评估大批量图像。针对图像质量只由单一标量值评价存在的问题,提出了面向层级语义衰减的无参考图像质量评价方法。首先对视觉语义衰减进行刻画,刻画标准以图像的局部细节语义、区域轮廓语义、全局概念语义作为图像的层级语义,并将图像在不同层级语义的衰减程度定义为轻微失真、显著失真、严重失真;然后设计了多层次语义质量衰减度量模型,实现了使用文本对图像质量衰减情况进行定性化描述。