高动态范围（High Dynamic Range,HDR）图像相比于标准动态范围（Standard Dynamic Range,SDR）图像,在单通道上使用更多的比特数来记录灰阶的变化,使记录的场景中明暗区域细节的可见性都有极大的提升。在目前HDR显示器还未普及的情况下,色调映射算子（Tone Mapping Operator,TMO）可以将HDR图像转为SDR图像,使HDR图像所记录的场景效果能够在SDR显示器上呈现。然而,通过这种方式得到的结果不总是理想的,由于比特数减少造成图像质量的下降不可避免。为了得到高质量的结果,需要依照HDR图像场景动态地调整色调映射算子的种类和参数。作为一个重要的感知和反馈环节,图像质量评价决定了色调映射过程最终的视觉质量,具有重要的理论和现实意义。本文分别使用基于传统的图像处理技术和基于深度学习的方法开展对色调映射图像的质量评价方法的设计。方法一为基于图像场景重现效果的色调映射图像的质量评价方法。针对色调映射图像失真复杂且难于量化的问题,该方法从图像中场景的真实性、图像的信息量和能量的保留度、图像中场景的表现效果三方面提取图像中与质量相关的特征。最后,通过支持向量回归（Support Vector Regression,SVR）的方式完成特征向量到分数的映射。方法二为基于多曝光序列生成的色调映射图像的质量评价方法。针对目前的色调映射图像评价研究中缺少直接可用的参考图像的问题,该方法首先使用生成对抗网络（Generative Adversarial Network,GAN）根据色调映射图像生成一组曝光度不同的图像序列,并使用双路卷积神经网络（Convolutional Neural Network,CNN）分别从色调映射图像和多曝光参考序列中提取特征。最后,使用transformer学习特征空间到分数空间的映射关系。本文在色调映射图像的相关数据库中对两种方法进行了大量的实验,通过与目前主流评价算法的对比和相关特征及网络配置的分析,验证了这两种方法对于色调映射图像评价的适用性和有效性。