在高速发展的互联网时代,出现了海量多媒体数据。然而,数字图像在数字化处理、存储、传输、复制等过程中都可能受到不同类型、程度的质量损失,因而影响到人们视觉感受。图像质量评价（Image Quality Assessment,IQA）技术旨在学习一个回归模型,从而自动地预测指定图像的质量评价分数。这不仅为筛选高质量图像提供了极大的便利,同时在许多应用中发挥着不可或缺的作用,如:图像搜索引擎、图像修复、图像编辑等。近年来,虽然基于深度学习的图像质量评价蓬勃发展,但是其也逐渐进入瓶颈期。为此,本文深入地调研图像质量评价的进展,并分别提出了一种基于多尺度滤波的图像质量评价模型（MSF-DBQA）。另外,图像美学质量评价（Image Aesthetics Assessment,IAA or Aesthetics Quality Assessment,AQA）是图像质量评价的一个重要子方向,在图像筛选、美学设计等领域起着基础性作用。鉴于美学质量评分的主观性和抽象性,其难以自动建模,因此本文借助客观性更强的美学属性,即藉由研究美学属性评价（Aesthetic Attributes Assessment,AAA）来捕捉美学质量中的共性特征从而提升IAA的性能。在本文中,基于深度学习的图像质量评价的研究工作主要有以下三个方面:（1）调研和回顾了图像质量评价的研究工作,包括该课题的研究背景及意义,以及国内外的研究现状。通过调研图像质量评价的研究进展,本文了解到无参考图像型的图像质量评价是目前该领域的研究难点,而且深度学习在该领域获得了广泛的应用。但是,鉴于图像质量评价的抽象性、神经网络的低解释性等问题,基于深度学习的图像质量评价也逐渐进入了瓶颈期。（2）提出一种基于多尺度滤波的图像质量评价模型（MSF-DBQA）,用于评价无参考型图像在不同失真类型下的失真程度。MSF-DBQA模型的框架是由局部回归分支和全局回归分支构成,用于学习输入图像与其质量分数的映射关系。其中,局部回归分支是全卷积结构,因此具有较少的训练参数量;而全局回归分支的输入是局部分支中间网络层特征的统计信息,具有明显的几何解释性。通过实验分析,实现了到目前为止最先进的预测精度,而且也具有很好的泛化能力。另外,受到自然场景统计（NSS）的启发,提出一种多尺度滤波器来提取不同频段的图像信息,并证明了利用多个频段的图像融合作为MSF-DBQA模型的输入可以有效地提高所提模型的性能。（3）还提出一种基于数据协方差的多属性建模的算法（COV-MAM）,用于评价图像美学属性的质量。COV-MAM通过拓展基于高斯分布的数据不确定性学习来对多属性数据进行建模,并设计一种两步参数法来构建对称正定的协方差矩阵,并构建了模型的损失函数。COV-MAM模型能够以完全端对端的方式对数据中的整体质量分数和多个属性分数进行建模,并指导整个模型的训练。在没有借助任何手工特征的情况下,仅使用标准的Res Net-50作为模型框架即可达到目前为止最先进的性能。另外,该模型还能够便捷地迁移到其他深度神经网络的架构中,具有较好的拓展性。总而言之,本文提出一种基于多尺度滤波的图像质量评价模型（MSF-DBQA）和一种基于数据协方差学习的多属性图像美学质量评价模型（COV-MAM）,均达到了领先的效果。