随着电子信息技术的发展,图像作为一种信息的载体,在人们的日常生产生活中被广泛地用来传输信息。但是,在图像的传输、压缩、存储或者相机的拍摄过程中都有可能产生信息丢失,从而导致图像整体质量的下降。因此,如何建立一个高效、准确的图像质量评价方法成为了计算机视觉领域的重要问题。随着深度学习的发展,越来越多的方法将卷积神经网络应用到图像质量评价领域中,并取得了良好的预测准确性。然而,失真图像中包含丰富的图像内容信息和图像失真信息,训练一个单一的深度学习模型往往很难全面地提取可以准确反映图像质量的特征,并且在泛化性能上往往难以取得令人满意的效果。为解决此问题,本文从模拟人类视觉系统、提取质量感知特征为主要切入点对图像质量评价问题进行分析与建模,从而提升整体算法的预测准确性。本文主要有如下两个研究工作:（1）现有的图像质量评价方法旨在通过训练一个深度学习模型来提取图像中的失真特征以达到预测质量分数的目的。然而,图像中可能存在不同的失真类型,训练单一模型通常很难处理图像的失真变化的问题。例如:在合成失真数据集上训练的模型往往很难在真实失真数据集上取得令人满意的泛化性能。为了解决此问题,本文提出了一种基于循环生成式对抗网络的图像质量评价方法（Cycle-consistent adversarial networks for Image Quality Assessment,Cycle IQA）来对图像的质量退化过程进行建模。本文提出的方法由一个基于生成式对抗网络的质量感知网络和一个质量回归网络组成。基于生成式对抗网络的质量感知网络由损失复原模块和无损复原模块组成,其旨在模拟失真信息引入图像的正向过程和反向过程。受到人脑的内部生成机制的启发,本文从无损复原模块的生成器网络中提取分层复原特征,从而对学习到的图像恢复特征和质量分数之间的关系进行建模。实验表明本文提出的方法具有令人满意的预测准确性,尤其在交叉数据集测试上取得了良好的泛化性能。（2）由于目前的质量评价方法难以有效地预测合成失真图像和真实失真图像的质量分数,本文通过模拟人类视觉系统提出了一种基于内容感知和失真推理的图像质量评价方法（Content Perception and Distortion Inference Network for image quality assessment,CPDINet）来同时提取图像中的内容信息和失真信息。该方法将图像质量评价任务分为内容感知过程和失真推理过程。对于内容感知过程,由于人类视觉系统在感知图像质量之前会试图理解图像的内容信息,因此本文设计了一个内容特征提取器来提取图像中的内容信息以应对不同图像的内容变化问题。对于失真推理过程,为了让网络学习更加丰富的失真信息,本文还提出了一个失真特征提取器来提取图像中的失真特征。由于提取的内容特征和失真特征具有不同的特性,本文通过提出的自适应融合块对内容特征和失真特征进行自适应地融合。实验表明,本文提出的方法对合成失真图像和真实失真图像都可以取得优秀的预测准确性。