图像质量评价在图像采集、图像分割、图像融合和生物医学成像等视觉信号通信和处理中担任着重要角色。图像质量的好坏影响着人们获取信息的准确性和用户体验。随着基于图像应用需求的快速增长,如何得到有效且可靠的图像质量评价方法变得尤为重要。图像质量评价的目标是得到与人类主观判断相一致的评价,即设计算法模型来模仿观测者对图像的质量给出合理的质量分数。本文从稀疏表示和局部特征两个角度来研究图像质量评价问题。由此,提出了三种有效的质量评价方法,即:一、提出了一种基于稀疏表示自适应子字典的图像全参考质量评价方法(QASD)。首先利用自然图像来训练一个过完备的字典,该字典将被用来表示参考图像,而对于失真图像的表示而言,则使用参考图像被稀疏表示的过程中使用到的基向量所组成的新字典(即子字典)。稀疏表示能提取图像中较高层次的特征,而对图像的弱失真则不敏感,故引入三个辅助特征,即梯度、色度以及亮度,用于得到更为准确的图像质量评价。该方法对训练字典的图像不敏感,所以可以采用一个通用型的字典来用于质量评价。与其他全参考质量评价算法相比,该方法表现出更好的性能,且在各个数据库上表现一致性好。二、提出了一种基于特征点的模糊图像无参考质量评价方法。首先从模糊图像和重模糊图像中提取特征点,然后分别将得到的特征点分布图分块以产生特征点数量图,再利用两幅特征点数量图来计算相似度,最后使用视觉显著性对特征点数量相似图进行加权,得到最终的质量分数。该方法不仅与其他模糊图像无参考质量评价算法相比表现出更好的性能,且优于一些通用型的无参考质量评价算法。三、提出了一种基于显著性引导梯度相似度的模糊图像无参考质量评价方法(SGGS)。首先原图像通过多次低通滤波得到模糊程度大的图像,然后利用其作为参考图像与原图像一起来计算梯度相似度。最后使用视觉显著性对梯度相似图进行加权,得到最终的质量分数。该方法产生的质量分数均分布在(0,1)区间,且计算速度快。与其他无参考质量评价算法相比,该方法表现出更好的主观评价一致性。