数字图像的质量评价是计算机视觉领域炙手可热的研究课题。受生活中各种因素的影响,图像失真的类型多种多样。面对多类型的图像失真,人们逐渐发觉主观评价方式存在过程冗杂、费时费力的缺陷,由此客观图像质量评价应运而生。然而现有的客观图像质量评价存在仅能处理单一失真类型图像的问题,本论文正是针对以上问题,开展面向非单一失真类型盲图像质量评价研究,并通过对图像噪声建模,进而实现图像的盲去噪。主要研究内容和创新之处如下:(1)面向非单一失真类型的盲图像质量评价为了解决非单一失真类型的盲图像质量评价问题,本文提出一种多任务分层深度神经网络(MH-DNN),并据此开展盲图像质量评价算法(BIQA)研究。该网络由失真鉴别网络和质量预测网络两个子网络组成,通过早期共享层,以及受生物学启发的广义分裂正则化(GDN)作为激活函数,从而达到包含多种失真类型的图像质量评价。实验结果表明,本文所提出的算法在PLCC、SROCC等指标明显优于DIIVINE、BRISQUE等算法,能很好地解决包含多种失真类型的图像质量评价问题。(2)基于噪声建模的盲图像质量评价与去噪在对图像噪声建模和去噪的研究过程中,本文依据变分推断理论,提出将噪声估计和图像去噪融合到一个独特的贝叶斯框架中的算法,从而实现图像的盲去噪。首先利用成对图像(干净图像和对应的噪声图像)训练一个去噪卷积神经网络,从而获得后验概率的参数,并据此得到噪声分布图像,然后依据噪声分布图像,提出一种去噪MS-SSIM损失函数并构造去噪网络,最终实现盲图像去噪。实验结果表明,本算法在面对真实场景噪声(高斯噪声、泊松噪声、椒盐噪声)的噪声估计与去除中,都展现了良好的性能。为盲图像去噪提供了新思路。