随着移动互联网技术和相机设备的快速发展，多媒体数据呈现爆发式增长，人们通过图片来直接表达意见、传递信息的方式也越来越常见。一方面，尽管高动态范围图像可以细致反映真实场景，为了方便输出，其通常会被图像处理算法将其动态范围压缩至输出显示设备的动态范围以下。这是高动态范围图像研究的热点和重点之一。另一方面，图像质量的主观评价在过去几年引起了很多的关注。传统的图像主观质量评价主要侧重于预测图像的平均意见得分，而忽略了人们对图像意见的多样性的问题。为了解决上述问题，本文提出了图像意见得分分布预测方法，提出了两种高动态范围图像意见得分分布的预测模型。具体工作包括以下两个方面：
　　一、基于标签分布支持向量回归的主观图像质量评价方法：本文将基于深度学习的特征提取和回归预测整合成统一框架，从而联合学习更具分辨力的特征表示和更合理的预测模型。具体来讲，深度学习特征对于捕获图像中全局和局部的信息起着关键作用；回归预测通过把包含图像有效信息的特征转化为意见得分分布。本文提出通过标签分布的方式来表达图像意见的多样性。实验结果表明，所提出的含图像有效信息的特征转化为意见得分分布框架可以有效地预测图像意见得分分布。
　　二、基于深度学习的端到端主观图像质量评价算法：为了进一步促进图像特征转化为意见得分分布过程的高效和相互学习，本文提出将深度学习应用到图像质量评价领域。本文使用的基于深度学习的模型采用基于ResNet50的经典网络[18]，最后一个卷积层被一个新的统计感兴趣区域(region of interest, ROI)池化层取代，后面设计两个全连接层。为了促进概率分布学习，该模型使用交叉熵损失而不是经典的均方误差损失进行训练。所提出的算法在六个代表性评估度量方面比现有的标签分布学习方法具有更优越的性能。