图像质量评价(Image Quality assessment,IQA)因能够快速、准确、客观、自动的评价图像的质量,为相关计算机视觉任务提供评价标准,使其成为计算机视觉领域的研究热点之一。图像质量相关的特征提取是影响IQA方法性能的关键,其中深度学习因其自适应提取特征的能力,成为当前IQA领域的主流方法,值得深入研究,具体表现在:1)目前大多数IQA方法中仅考虑失真图像与参考图像的特征距离来度量图像失真而忽略了特征分布之间的差异。2)众多IQA方法以图像块作为质量评价对象,而对如何由图像块分数获得整幅图像的分数研究较少。3)无参考IQA缺乏有效的参考信息以指导网络学习失真特征,继而很难使其评价结果与主观质量评价的结果高度一致。针对上述问题本文提出了以下几个解决方案:首先,本文中在深度卷积神经网路中结合矩估计的思想,提出了新的全参考IQA模型。使得全参考IQA方法同时考虑参考图像和失真的特征的差异和特征分布的差异。其次,与一般的基于图像块的IQA方法通过加权平均获得整幅图像的评价分数不同,本文提出了简化的权重平均的方法,我们发现直接对图像块取均值的方法在无参考IQA任务中的效果更鲁棒。最后,与一般基于深度学习的无参考IQA方法直接学习图像到评价分数的映射或生成一个虚拟的真值图像不同,本文采用低通滤波的方法和自适应的方法从失真图像中发掘参考图像的信息。让无参考IQA方法能够类似于全参考IQA方法找到一个相对的“参考图像”,继而提升无参考IQA方法的性能。实验证明本文算法在IQA任务中常用的数据集上预测结果与主观分数之间达到了很高的一致性,也证明了本文中提出的所有图像质量评价算法都具有很好的鲁棒性。