图像质量评价方法通过建立数学模型实现自动化图像质量预测,对图像处理具有关键性指导作用。实际应用场景中不断出现新的图像评价标准和失真类型,为图像质量评价研究带来严峻挑战。面对新出现的不同评价任务,现有方法通常采用模型微调以适应新任务,但基于旧任务的预训练模型泛化能力有限,无法有效处理多种评价任务。一方面,新旧任务间差异较大时,基于旧任务的训练模型在新任务上微调,收敛难度大、性能提升有限;另一方面,顺序学习多个任务时,模型微调以调整旧任务参数为代价提升新任务性能,导致模型对旧任务的遗忘。此外,已学习过的多个旧任务与新任务间存在不同程度的相关性,仅基于单一旧任务模型进行微调,阻碍各个旧任务的有效知识向新任务迁移。针对现有方法应对多种评价任务的局限性,本文进行跨任务图像质量评价问题研究,分别从跨任务评价过程中,模型对新任务的有效适应、模型对旧任务的持续记忆、以及模型对任务间有效知识的迁移三个角度进行探索和分析;构建灵活的动态模型,分析任务间的相关性,建模任务间共享的先验知识,增强模型的泛化能力。具体包括以下三方面:（1）针对跨任务过程中模型的新任务适应问题,提出一种基于元学习的无参考图像质量评价方法。其采用基于元学习思想的两阶段优化方法,运用多种不同类型失真图像构建元训练集;元学习模型训练阶段以优化模型适应能力为目标,增强模型对未知失真类型的泛化能力;目标任务学习阶段通过微调以提升在特定任务上的评价性能。（2）针对跨任务过程中模型的旧任务遗忘问题,提出一种基于正则动态网络的跨任务图像质量评价方法,通过正则化约束选择性降低共享网络中权重的改变,基于任务间的特异性对回归网络进行动态拓展,克服跨任务评价过程中的“灾难性遗忘”问题,并保持模型在新任务上的评价性能。（3）针对跨任务过程中任务间知识迁移的问题,提出一种基于相关性指导的跨任务图像质量评价方法,采用模型压缩方法释放冗余空间实现跨任务评价学习,避免模型容量无限膨胀;基于任务相关性的指导,对多个旧任务经验进行灵活复用,在保持先前任务性能不变的基础上,促进任务间正向知识迁移,有效提升新任务性能。