图像质量评价是图像处理领域的基础性问题。由于无参考图像质量评价无需借助参考图像便可进行图像质量评估,其实用性远远超过全参考和半参考图像质量评价。卷积神经网络可以自动提取图像特征并拥有极强的分析能力,近年来被屡次应用到无参考图像质量评价当中。经典的CNN-IQA（Convolutional neural network for image quality assessment,CNN-IQA）模型作为首个被应用到无参考质量评价领域的卷积神经网络模型,蕴含着重要意义,其对综合失真类型和各单一失真类型的图像质量评估都拥有着较好的性能。但是CNN-IQA存在着一定的缺陷,它明显地忽略了各分块图像之间存在的质量差异性问题,严重阻碍了CNN-IQA性能的提升。针对以上问题,本文提出了多特征融合的方法以改进CNN-IQA并将其应用到遥感噪声图像质量评估工作中去。首先,本文提出人眼视觉关注效果会对图像质量评价工作产生影响,人眼倾向于从人眼视觉关注度高的图像区域进行质量评估。图像信息熵与纹理特征可以更好的提取图像敏锐度,相较其他区域,人眼对视觉敏锐度高的图像区域更加关注。因此本文通过提取图像分块的信息熵和纹理特征并将提取计算的两特征相结合,计算各图像分块的重要性权重并改进CNN-IQA的损失函数,用以凸显高重要性权重分块的图像,也就是视觉关注效果好的图像分块在训练中发挥的作用。在LIVE和TID2008数据集上进行对比实验发现,改进后的算法对于不同类型及程度的失真图像都有着较为准确的评价。在LIVE数据集上该算法的SROCC和LCC指标分别为0.962与0.960,提升效果至少0.9%以上;在TID2008数据集上该算法的SROCC和LCC指标分别为0.922与0.926,提升效果至少0.6%以上。并且该算法无论在LIVE和TID2008数据集上进行对比实验,其性能都优于其他对比算法,评估结果与人类视觉感知有很好的一致性。然后,本文针对于噪声失真的特性提出对噪声失真图像的无参考质量评价算法并将其应用到遥感噪声图像的质量评估工作中。由于通过估算噪声强度来评估图像质量的工作存在着两个明显的问题:（1）无法准确评估同一噪声失真程度的图像之间的相对质量差异。（2）剔除非平滑图像块,仅仅只用平滑图像块的方差来衡量图像噪声强度会导致影响图像质量因素的缺失。因此,本文在CNN-IQA的基础上,提出提取图像分块信息熵和局部方差并将提取计算的两特征相结合,获得各分块的重要性权重后改进CNN-IQA的损失函数,用来凸显高重要性权重的图像分块在训练中的作用。该改进既充分利用了人眼视觉效果,又综合考虑了所有图像分块对整幅图像噪声的影响。使用LIVE数据集上的高斯噪声图像进行对比实验发现,该算法的SROCC和LCC指标分别为0.996和0.993;使用TID2008数据集上的高斯噪声图像进行对比实验发现,该算法的SROCC和LCC指标分别为0.951和0.966。并且该算法无论在哪个数据集上进行实验,其对噪声图像质量评估效果明显优于其他对比算法。另外本文将提出的针对噪声失真图像的质量评价算法应用到了遥感噪声图像中。由于遥感领域没有专用的遥感图像质量评价数据集,本文设计实验方案:分别使用提出的算法和各对比算法筛选遥感噪声图像训练集并对两个遥感图像分类算法VGG-VD-16和Res-Net-152进行训练,使用测试分类精度来间接衡量各算法的质量评价性能效果。进行实验发现,通过本文算法筛选的遥感噪声图像训练出来模型拥有较高的遥感图像分类精度,间接说明了该算法适用于遥感噪声图像质量评价并且有着较好的性能。