随着数字时代的到来,图像和视频爆发式增长、传播。相比文字、语音等信息,用户更容易被图像、视频吸引。因此,计算机视觉领域越来越受到研究者的关注。但图像在生成,压缩,接收等过程中不可避免的受到各种噪声的干扰。图像质量评价可以有效评价这些算法的性能,为算法优化提供重要的目标与依据,根据评分对象分为主观质量评价和客观质量评价。客观质量评价根据是否需要原始图像的特征分为全参考质量评价、部分参考质量评价与无参考质量评价。实际应用中,无参考质量评价不需要初始图像特征,应用范围更广。本文提出基于数据增强和深度学习的图像质量评价模型DNR-IQA(Deep NoReference Image Quality Assessment)。由于图像质量评价数据库比较小,本文利用高斯核回归拟合失真程度和平均主观得分差函数,增大数据量,训练基于AlexNet网络的图像质量评价模型。实验结果表明模型准确率比较高,有良好的泛化能力。近年来,人脸属性分析系统越来越受到关注,广泛应用于各种身份确认、人机交互等场景,如人脸检测、人脸关键点检测、人脸姿态估计、人脸识别等。实际应用中,人脸属性分析系统的效果?分依赖人脸图像的质量。如果人脸在图像中光照均匀、姿态较正、噪音较低、没有遮挡,系统的性能可以达到很高的准确率。然而,图像在拍摄、传输与接收等阶段,不可避免的出现图像失真、人脸姿态比较大、甚至被遮挡的情况,人脸质量较低、极大影响人脸属性分析系统的效果,准确率较低。本文提出基于ResNet-50网络的人脸质量评估分类模型。相比传统的网络,ResNet具有参数量更低、网络更深,训练的模型效果更好等优点。本文根据图像中的人脸质量分类,分为模糊、局部与非人脸、大姿态、遮挡、高质量五种类别。通过筛选清晰的人脸图像,在数据源头上控制人脸质量,提高人脸属性分析系统的准确率。实验表明,模型对人脸质量的分类准确率比较高。目前,很多场景需要对人脸属性进行研究,如安检、身份验证、人机交互等。人脸检测是人脸属性分析的基础,是人脸识别的重要一环,受到人脸姿态、表情、遮挡、图像质量等问题的干扰。人脸关键点检测利用68点定位人脸五官与轮廓,为人脸识别,人脸姿态估计、人脸对齐等问题提供位置信息。人脸姿态估计不但能提高人脸识别准确率,还能估计人眼注视方向,得到感兴趣区域。因此,人脸相关问题一直是计算机视觉领域的重要研究方向。本文采用全卷积网络提出多人脸检测模型。全卷积网络用卷积层代替全连接层,极大减少模型的参数,提高效率。测试阶段不需要调整图像大小,防止图像失真。接着,提出基于多任务学习的人脸属性分析模型,检测人脸68点关键点并估计人脸姿态。实验结果表明模型的速度与准确率都比较高。最后,本文提出利用人脸质量评价模型筛选清晰人脸的图像,提高人脸68点关键点检测与人脸姿态估计的准确率。