在人类获取的信息中,大部分来源于视觉系统,然而数字图像在各个处理过程当中,其质量都可能遭到破坏;因此图像质量评价便成为了数字图像技术发展过程中不可或缺的重要基石。而为了在大多数无法获取真实视觉信号的场景下对质量进行自动化评价,无参考评价便成了研究热点之一。本文在现有图像质量评价技术的基础之上,对梯度算子、纹理特征、直方图特征等展开了工作;结合了回归分析、贝叶斯分类器、决策树分类器等机器学习方法对图像质量评价进行研究。本文在进行了大量的实验以及理论研究后,先后提出了GI-F和SINI两种快速的无参考清晰度评价算法;后者在相关性性能上比最新的ARISM_C算法高出3.53%。提出的JPEG失真检测方法的准确率达到了0.9447。在算法实现上,本文着重介绍了Cache优化与指令集优化技术以提升算法的运行时性能。在嵌入式平台方面,本文以Android系统为例介绍了图像质量算法在终端平台上的实现;在桌面平台方面,本文分别介绍了系统设计、软件设计、各算法模块、算法性能和实验结果。最终,总结了论文的相关工作,并指出了未来在无参考图像质量评价领域的进一步研究方向。