图像作为人类获取信息的重要来源之一,具有强大的信息携带能力,在人类社会的进步发展过程中占据重要地位。图像在生成、获取过程中不可避免的会出现失真问题,造成图像质量下降,影响人类的信息获取。对图像质量做出合理评价在日常生活工作中十分重要,因此,图像质量评价应运而生,成为图像处理领域的研究热点。主观图像质量评价方法存在费时耗力、应用性不高的缺点,而客观图像质量评价方法克服了主观图像质量评价方法的不足,具有速度快、费用低、结果可重现的优势,是近年来图像质量评价领域的研究重点。本文主要针对GAN生成的图像进行客观质量评价研究,设计实现了高效、准确的GAN生成图像质量评价方法。具体研究内容包括:（1）提出一种符合人类视觉感知的基于注意力和最小可觉差的GAN生成图像质量客观评价模型AJ-GIQA,将人类视觉感知特性引入GAN生成图像质量评价领域,解决了目前面向人类视觉感知的客观图像质量评价方法在GAN生成图像质量评价领域准确率不高的问题。首先,模拟人类视觉系统的亮度自适应性等特点,对待评价的GAN生成图像进行预处理,获取其最小可觉差图像;其次,模拟人类视觉系统的注意力特性,设计注意力模块并将其引入特征提取网络,获取显著性图像特征;最后,将图像信息输入结合语义信息的质量预测网络,基于图像内容综合评价GAN生成图像质量。在传统图像数据集和GAN生成图像数据集的实验验证中,AJ-GIQA取得了比其他先进的质量评价方法更优或可比的效果,特别是在GAN生成图像数据集PIPAL中,模型的Pearson线性相关系数值比其他方法提高了近2%。（2）提出一种基于近邻算法的GAN生成图像质量真实性评价方法NN-GIQA,解决了目前GAN生成图像质量评价方法运行效率不高的问题。首先,基于ANN算法获得GAN生成图像的相似真实图像,组成相似图像候选池,缩小GAN生成图像对比范围;然后,在相似图像候选池中基于KNN算法获取与GAN生成图像最相似的前N个真实图像,得到GAN生成图像的质量分数,进而提升评价方法的准确性;最后,在GAN生成图像数据集上验证NN-GIQA方法的有效性。实验结果表明,NN-GIQA方法有效提高了图像质量评价方法的运行效率,运行时间仅为其他质量评价方法的1/9～1/28。此外,NN-GIQA方法提高了评价结果的准确性,特别是在LGIQA-FFHQ数据集中,评价结果的图像质量排序一致性指标RCI比最先进的质量评价方法提高了近4%。