光学成像系统成像的过程中受大气湍流、抖动和系统自身的光电噪声等因素的影响,生成的像模糊不清。自适应光学系统能够校正成像过程中的大部分波前畸变,但是自适应光学成像系统仍然受到残余大气湍流、闭环跟踪误差和光电探测噪声等因素的影响,生成的图像质量参差不齐。模糊不清的自适应光学图像不利于后期数据挖掘和数据处理等工作,因此自适应光学图像的质量评价是一个关键问题。目前,通过有经验的观察者主观筛选出质量较好自适应光学图像用于后处理工作,但是面对数量巨大的自适应光学图像,主观筛选会耗费大量的人力物力,且主观评分结果会在观察者情绪等因素的影响下不稳定。其次,自适应光学图像与自然图像存在较大差异,导致传统图像质量评价方法评价自适应光学图像的质量时评价结果不可靠,甚至会出现评价结果与实际背离的情况。因此本文所研究的针对自适应光学图像的客观质量评价方法十分必要。本文的主要研究工作和贡献如下:对目前多用于自然图像质量评价的客观图像质量评价方法进行理论分析,发现基于深度学习的质量评价方法提取的特征更加多元,能充分的提取出有用的信息。目前基于深度学习的图像质量评价方法取得了比传统方法更好的精度。基于此本文提出基于深度学习的自适应光学图像质量评价方法,将深度学习运用于评价自适应光学图像的质量。但是本文提出的方法在实现上存在两个难点:首先,深度神经网络的训练需要大量的自适应光学图像;其次,为一个包含大量的自适应光学图像的数据集生成图像质量标签。为获得训练深度神经网络所需的大量自适应光学图像,本文首先通过观测对象已知的参数数据,重建出观测对象的三维模型,将三维模型投影到二维平面,形成参考图像。在投影的过程,通过改变投影角度和光照方位,生成不同目标姿态和不同对比度的参考图像。其次,通过模拟自适应光学成像系统的成像过程,退化参考图像得到不同模糊程度的自适应光学仿真图像,最终形成了包含40万帧图像的自适应光学图像数据集。该数据集将用于后续深度神经网络的训练。为解决主观方式生成图像质量标签工作量大,主观性强,评价结果不稳定的问题,本文采用有参考的方法联合其他可用于评价自适应光学图像质量的特征如对比度和目标占比等共同生成图像的质量标签,最终生成了与人眼主观判断相符的质量标签。由此,本文得到了一个带有质量标签的自适应光学图像质量评价数据集。以经典的网络,如Res Net系列,为网络主干,搭建一个神经网络模型。将生成的自适应光学图像数据送入神经网络进行训练,得到了用于评价自适应光学图像质量的神经网络模型。该模型在测试集上的Spearman相关系数（SROCC）最佳为0.994,且皮尔逊相关系数（PLCC）最佳为0.993。实验结果表明,本文方法综合考虑了自适应光学图像成像过程中的多种退化因素,通过训练深度神经网络得到无参考自适应光学图像质量评价模型,评价精度优于其它传统图像质量评价算法,并且该模型不论是用于其他仿真自适应光学图像,还是用于评价真实采集的自适应光学图像都同样可行,证明本方法具有真实有效性和良好的泛化性。