现实生活中,人们无需对比参考信息就能对图像的质量进行评价。无参考图像质量客观评价就旨在通过设计合理的计算模型使得机器无需参考图像就能自动精准的预测和感知图像质量分数。然而将无参考图像质量评价应用到现实生活中仍有诸多困难,其中最重要的一点就是目前学术界图像质量评价方法的研究对象主要是人工合成的模拟失真图像,而现实生活中的失真图像往往包含了相互影响不同种类和程度的多种混合失真,其复杂性是现有的模拟失真数据库中的数据暂时无法比拟的,因此限制了无参考图像质量评价在现实生活中的广泛应用。为了在现实生活中图像质量评价的推广,针对现实失真的无参考图像质量评价的研究意义重大。本文针对现实失真的图像质量评价问题进行了深入的研究,主要研究内容从三个方面展开,传统特征提取方法,深度学习方法和工业界测评图像质量的方法:第一部分提出一种基于结构统计特征的现实失真无参考图像质量评价方法。该算法通过提取总变分加权局部二值模式特征来描述图像的结构信息,结合多尺度相似度计算多尺度信息,利用支撑向量回归来拟合图像特征和人类主观评价分数的映射关系,最终构建无参考图像质量评价模型。实验结果表明,该算法对于混合模拟失真的客观预测和人类视觉感知具有很高的一致性。针对照片现实图像数据,该算法虽相比于其他算法性能较优,但仍有提升空间。第二部分提出一种基于深度学习的现实失真无参考图像质量评价方法。该算法首先通过分块策略增加训练样本,并通过不同方法赋予图像块分数标签,以此解决训练样本不足问题。再利用局部图像数据进行深度网络训练。测试阶段,该算法计算完整图像的局部图像质量分数,利用不同池化策略由局部图像质量分数得到整体的客观质量评价分数。实验结果表明,该算法对于混合模拟失真的客观预测和人类视觉感知具有很高的一致性。针对现实失真图像数据,该算法优于其他算法,但仍有提升空间。第三部分针对基于Imatest的现实失真图像质量评价方法进行了研究。该方法首先利用工业界图像质量评价Imatest软件对测试设备进行了客观质量评价。通过搭建合格的测试环境,选取合适的测试指标以及相应符合标准的测试图卡,构建一套移动终端摄像头测试体系,从分辨率、几何失真、噪点分析、色彩准确性、动态范围和图像均匀性这些方面展开,对移动终端摄像头进行了客观图像质量评测。然后通过主观实验测试来验证测试标准的主客观一致性。实验结果表明,构建的移动终端客观评价方法与主观评价方法很好的一致性。