图像客观质量评价方法分为全参考、半参考和无参考三种,其中无参考模型因为不需要任何参考信息所以获得了越来越多的关注。深层卷积神经网络具有十分强大的建模和分析能力,可以表示抽象的具有区分性的特征,近年来被广泛应用于无参考图像质量评价中。在使用卷积神经网络进行图像质量评价研究时,由于通用实验数据库中缺乏足够的带标签的训练数据,研究者往往将数据库里的失真图像进行分块处理来扩大数据集。这种方法会导致每个分块的质量分数不能被精确确定。针对以上的问题,在考虑信息熵对图像质量的影响基础上,本文提出了一种基于信息熵的卷积网络模型IQA-CNN_weight。通过分析LIVE数据集中失真类型、失真等级和图像质量之间的关系,发现图像敏锐度和信息熵有很强的关联度。基于此,本文以原始图像的平均信息熵为基准,针对不同类型的图像,提出了两种有针对性的卷积网络训练方法。当整幅图像的信息熵值高于原始图像的平均信息熵时,给信息熵值较高的分块赋予高权重。计算各分块的信息熵作为分块重要性权重,以代表其对失真图像质量的影响程度,并基于该权重对卷积神经网络的损失函数进行调整。当整幅图像的信息熵值低于原始图像的平均信息熵时,给信息熵值较低的分块赋予高权重,偏离标签值更大的分块赋予更高的权重,对评价误差较高的分块进行补偿,以减少评价值与真实值之间的差距。在LIVE数据集和TID2008数据集上的交叉验证结果表明,本文提出的模型能很好评价失真图像的质量,评价结果更为接近人类视觉感知。