近年来,三维(Three Dimensional,3D)多媒体应用已经逐渐走进了人们的日常生活中,例如3D电影和虚拟现实应用等。人们在享受着3D图像以及视频内容带来的便利的同时,对图像和视频的内容的质量需求也越来越高。不幸的是,图像在传输过程中存在着降质的问题,因而对立体图像质量评价(Stereoscopic Image Quality Assessment,SIQA)的研究迫在眉睫。在前人的基础上,本文从人类视觉系统(Human Visual System,HVS)和深度学习方面出发,主要提出了:(1)基于立体视觉关键特性的全参考SIQA方法根据HVS立体视觉的双目特性,本文提出了一种基于立体视觉关键特性的全参考SIQA方法。首先,建立了双目融合和双目竞争效应的数学模型,分别从两种模型中提取多尺度的能量响应特征图和亮度特征图。通过对参考立体图像和失真立体图像特征图进行相似性度量得到对应的相似性度量图。最后,采用局部二值模式降低特征维度,利用支持向量回归技术对降维后的特征进行映射,得到最终客观质量分数。实验证明,该方法能与人类主观质量评价取得很好的一致性。(2)基于显著区域深度特征学习的无参考SIQA方法为了克服立体图像质量评估对参考图像的依赖性,本文也提出了一种基于显著区域深度特征学习的无参考SIQA方法。主要是通过引入深度学习技术,去自适应地学习与图像质量相关的视觉特征。根据卷积神经网络输入的不同,分别提出了单通道深度网络模型和三通道深度网络模型。两种模型均采用基于图像分块的数据增强策略和基于视觉显著性指导局部特征选取方法。在经历了局部特征学习和全局质量回归两个训练阶段后,最终可以从网络模型中得到客观的质量分数。一系列的实验证明所提出的两种深度网络模型能够很好地预测立体图像的质量,特别地,相比较于单通道深度网络模型,三通道深度网络模型对立体图像质量的预测效果更好。