图像质量评价是指通过对图像进行相关特性分析,量化视觉失真程度,得到其质量分数的过程。无参考图像质量评价旨在不提供原始图像信息的情况下,对失真图像进行质量评价,其更接近于实际应用并且更具挑战性。通过无参考图像质量评价,可以更好地监控图像质量并进一步引导各种图像处理系统的优化。自然图像和屏幕内容图像是图像质量评价领域的重点研究对象,故本文主要围绕这两类图像来设计合适的无参考质量评估算法。由于目前基于卷积神经网络（Convolutional Neural Networks,CNN）的无参考自然图像质量评价方法主要通过对图像进行分块预处理以实现数据增强,忽略了失真分布不稳定带来的误差。为此,本文提出一种基于伪孪生CNN的训练方法,引导其对失真图像进行配对来扩大训练数据量,从而避免了分块预处理引入的额外误差。该方法首先利用K-means聚类将失真图像质量分数分为5簇,其代表不同的失真等级。再利用伪孪生神经网络训练学习该5个失真等级间的失真距离分布,旨在缩小同一失真等级内的失真距离,增大不同失真等级间的失真距离。最后,通过添加新的融合层对所学到的质量分数进行求和平均,并在原数据集上对其进行微调,从而得到各失真图像的质量评估结果。实验结果表明本文方法能够在不分块预处理的情况下更精确地评估失真图像质量,相比其它算法,更有效精准地评估了目前公认数据集的质量情况。另外,考虑到屏幕内容图像和自然图像在视觉特征上具有显著差异,因此自然图像质量评价方法并不能直接作用于屏幕内容图像质量评价。为此,本文提出了一种专门针对屏幕图像多纹理特性的无参考质量评价方法,通过在网络架构的设计上引入方向梯度直方图（Histogram of Oriented Gradient,HOG）特征预测任务和质量评估任务,以多任务训练的方式加强网络对屏幕内容图像纹理特征的学习,从而更有针对性地贴合屏幕内容图像的主观质量评估结果。此外,还引入了基于屏幕图像内容的自适应权重估计的质量融合策略,通过对不同区域的图像块质量分数进行加权平均,进一步提高了无参考屏幕内容图像质量评价方法的准确性。实验结果表明本文方法能有效评估目前现有的两大屏幕内容图像数据集质量,且相比其它算法,具有较高的准确度和较强的泛化能力。