随着移动数字时代的到来,各种社交媒体应用每天都会产生数以亿计的图像内容。数字图像充斥在每个人生活的方方面面,其中,大部分是由业余用户在各种非专业环境下拍摄获得。与专业摄影师拍摄的照片不同,业余用户拍摄的图像通常会因环境因素、硬件设备参数和人员摄影技术等诸多因素造成过曝光或欠曝光、低能见度、运动模糊、失焦、鬼影等失真问题而导致图像质量退化。此外,在图像采集、压缩、传输和存储等过程中,都不可避免地会导致图像质量的下降,造成不理想的视觉体验。高质量图像一方面可以提高观看者的体验质量,另一方面也可以使许多计算机视觉算法从中受益。因此,图像质量是服务提供商向用户提供高质量内容的一个重要的标准,也是基于可见光相机的系统过滤低质量图像以避免决策错误的一个重要指标。由于每时每刻数以百万计的摄像机在产生大量真实图像,社会迫切需要开发一种有效的真实失真图像质量评估模型用以帮助控制和提高真实图像的感知质量。近年来,基于真实失真的图像质量评价研究已有一些进展。但与人工生成的合成失真不同,导致真实失真的因素十分复杂,产生的真实失真类型也非常多样,因此,准确地评价真实失真图像的感知质量是极其困难的。如何精准且高效地评价真实失真图像的感知质量,获得与人类主观意见相一致的预测结果是图像质量评价领域亟待研究的重要课题。在业余用户日常拍摄的图像中,曝光、色调、对比度失真和运动模糊是最常见的几类真实失真类型,这些失真对人类视觉系统（Human Visual System,HVS）产生的最直观的刺激就是色彩和纹理信息的刺激。此外,深度学习方法由于其强大的图像表征能力而在众多视觉任务中取得了优异的性能,然而,现有的用于解决真实失真图像质量评价问题的深度学习方法大多是在全局尺度上提取图像高级语义特征,而忽略了真实失真图像中普遍存在的局部失真问题,并且也未能有效利用低级图像特征对真实失真的影响。本篇文章致力于通过融合多种对真实失真敏感的视觉特征来解决真实失真图像质量评价问题。本文的研究内容主要包含如下两个方面:（1）本论文提出了一种基于色彩与纹理特征的真实失真图像质量评价模型。首先,将给定失真图像从RGB色彩空间映射到HSV色彩空间,这一操作可以将色调、饱和度及亮度等色彩信息进行分离,从而使所提取的色彩特征更加准确,有效。对于每个色彩通道,该模型提取了前三维色彩矩作为图像的色彩特征。其次,该方法根据对数Gabor滤波器的实值响应通过阈值将图像划分为了4层,每层对应着图像中纹理特性不同的区域,并在每层分别计算其局部归一化亮度系数。此后,本文使用广义高斯分布和非对称广义高斯分布对每层中局部归一化亮度系数的分布在不同尺度上进行拟合,并将两种分布的拟合参数构造为图像的纹理特征。然后,将色彩特征与纹理特征进行融合,构成了49维图像特征。最后,使用了一个支持向量机回归器来学习从图像特征到最终感知质量分数的映射关系。第2章中在两个公开的真实失真图像数据库CID2013（Camera Image Database）和BID（realistic-Blur Image Database）上对所提出的模型与9种先进的通用无参考图像质量评价方法进行了性能比较,实验结果显示,该模型在两个数据库上均取得了更好的性能。同时,实验结果也证明了融合色彩特征和纹理特征对评价真实失真感知质量具有重要影响。（2）本论文提出了一种基于多任务卷积神经网络的真实失真图像质量评价模型。该模型将质量评价任务分解为了三个子任务,即图像属性预测子任务、图像场景分类子任务和图像质量评价子任务。图像属性预测子任务基于给定的输入图像,根据输入图像的浅层特征预测图像的5种图像属性,即亮度、色彩、对比度、噪声和清晰度。图像场景分类子任务将给定的输入图像分类到9种预先定义的场景类别中,即动物、植物、室内场景、城市街景、人类、夜景、风景、静态物体和其他。而图像质量评价子任务则负责在融合图像高级语义特征和图像场景分类子任务及图像属性预测子任务的输出后,预测给定图像的感知质量分数。该方法对三个子任务进行了预训练和端到端的联合优化,同时融合了图像属性预测结果、图像场景分类结果和图像的低级与高级特征、全局与局部特征,以此对给定真实失真图像的感知质量进行预测。本文中将所提出的模型与10种先进的无参考图像质量评价算法在SPAQ（Smartphone Photography Attribute and Quality）数据库上进行了对比,所提出的模型取得了显著的优势,与人类主观评分具有较好的一致性。同时,为验证所提出的各个模块的有效性,在第3章中进行了大量的消融实验。