图像分割是计算机视觉领域中一个重要的基本技术。目前虽已存在大量图像分割的相关方法与理论,但是还没有一个统一的标准可以对分割结果进行客观全面的评价。在不同图像分割任务中,对图像的语义理解不同,会导致同一副图像被分割为不同的结果。在图像分割质量评价过程中,一般会使用多个人为标注的参考分割与分割结果进行比对,但是评价数据库中大多没有对图像的区域粒度进行统一的分级,这会导致评价结果受到因人为标注带来的主观性影响。本文根据上述问题,基于树结构与卷积神经网络的多层次性,对图像分割质量评价方法进行研究与改进,主要工作包括以下三个部分:(1)对图像分割与分割质量评价方法的研究现状进行概述,并对现有的主要的分割评价方法进行分类介绍,总结不同类别的分割评价方法的特征与优缺点。随后着重对常用的有监督评价方法进行讨论,并介绍了元评价方法与实验所需的数据库。(2)提出了一种基于树结构的多层次图像分割质量评价方法。首先,该方法利用树结构的多层次性与现有参考分割中的各区域之间的关系(包含、重叠与相似等),构建树结构的多层次参考分割。在多层次参考分割中,区域树中不同层对应着不同区域粒度的参考分割,层数越高代表着参考分割的区域粒度越大。其次,根据树结构的参考分割的特性,提出了一种基于区域粒度的多层次评价策略,使得分割结果可以自适应地与相应的树层次进行评价。实验结果表明该方法较原始评价方法有一定的性能提升。(3)提出了一种基于卷积神经网络的多层次图像分割质量评价方法。该方法利用全卷积神经网络提取出了多层次的边缘图像,经过图像处理与边缘匹配得到更加精确的多层次边缘结果,可作为新的参考分割对分割结果进行评价。针对多层次边缘参考分割,制定了一种基于边缘粒度的多层次评价策略。在数据库性能方面,该方法降低了每幅图对应的参考分割数量,减少了原有数据库中的重复边缘,并且增加了小区域边缘的参考分割。在评价方法性能方面,对于元评价指标有一定的性能提升,验证了该方法的有效性。