随着数码相机、智能手机、平板、计算机等移动电子设备的日益普及,人类对传输高质量图像和视频的需求正在迅速增加。视频内容提供商保证最终用户的体验质量是一个关键问题。高质量的图像和视频数据对众多应用也至关重要,例如3D电视系统、监控系统、移动视频系统和会议系统。在视频数据到达最终用户之前,需要经过三个主要阶段:由捕获设备生成、使用编解码器进行压缩、通过通信信道传输。在这三个阶段过程中,视频都可能会产生各种各样的失真。本文提取视频常见时空损失特征和自然视频统计（Natural Video Statistics,NVS）特征,基于机器学习中的长短时记忆网络（Long Short-Term Memory,LSTM）,提出了两种无参考视频质量评价方法,尝试对视频的质量进行预测。论文使用的数据集来自于MCL-V主观视频质量数据库,其中包括12个原视频序列和96个失真视频序列以及对应的主观视频质量分数。本文的主要成果总结如下:1、本文提出了一种基于视频常见时空损失特征与LSTM的无参考视频质量评价方法LSTM-ST-VQA（LSTM-Spatiotemporal-Video-Quality-Assessment）。该方法中提取了视频中的常见时空损失特征（高斯噪声、模糊、块伪影等空间维度的损失以及抖动、闪烁、蚊式噪声等时间维度的损失）,搭建了一个以视频常见时空损失特征为输入的三层隐含层的无参考视频质量评价模型LSTM-ST-VQA。为避免数据预填充对模型性能带来的影响,加入了一个掩码层用于处理视频帧数与网络输入大小不一致问题。在MCL-V视频数据库上进行训练与测试。实验结果显示,提取的时空损失特征能够表征视频的质量,LSTM-ST-VQA方法预测得到的视频质量预测分数和主观质量分数之间的皮尔逊相关系数（Pearson Correlation Coefficient,PCC）优于针对该数据库的所有视频质量评价方法。2、本文提出了一种基于NVS特征与LSTM的无参考视频质量评价方法LSTMNVS-VQA（LSTM-Video-Statistics-Video-Quality-Assessment）。通过计算视频每帧图像的局部归一化亮度（Mean Subtracted Contrast Normalized,MSCN）系数与水平方向上MSCN系数对的乘积,并分别采用广义高斯分布（Generalized Gaussian Distribution,GGD）和零均值非对称广义高斯分布（Asymmetric Generalized Gaussian Distribution,AGGD）拟合,得到GGD均值与方差以及AGGD均值、形状参数、左方差和右方差总计6个自然场景统计特征,以此量化由于失真而可能造成的“自然度”损失。此外,使用3个不同等级的帧冻结时间特征表征可能存在的时间损失。将这9个特征统称为NVS特征。基于LSTM网络,搭建了一个以NVS特征为输入的三层隐含层的无参考视频质量评价模型LSTM-NVS-VQA,在MCL-V视频数据库上进行训练与测试。实验结果显示,NVS特征能够更好地表征视频的质量,LSTM-NVS-VQA方法预测得到的视频质量分数和主观质量分数之间的PCC相关系数远优于针对该数据库的所有视频质量评价方法,与人类主观感知分数间呈强度正相关。本文的研究表明,基于视频常见时空损失特征和NVS特征的无参考视频质量评价方法是有效的,预测得出的视频质量分数与人类主观感知分数间呈强度正相关。