随着计算机与多媒体的发展,数字图像作为重要的信息载体,已经深入到人们的学习生活中。从图像的获取、传输及图像的各种处理中,都涉及到图像的质量变化。因此需要一种数学模型或方法来衡量图像的质量,给图像打出合理的评分,以便系统在后续处理过程中针对不同质量的图像采取不同的处理机制。这种定量衡量图像质量的模型或方法就是图像质量评价IQA(Image Quality Asses sment)。针对无参考的图像质量评估,分析了自然图像及变换域的特点,结合神经网络建模的优点,提出了基于contourlet域和布谷鸟优化神经网络模型。该模型首先对图像进行contourlet变换,提取变换后得到的能量序列,随后用神经网络对能量信息进行训练预测。由于广义神经网络存在“特征屏蔽”性,所以对神经网络进行布谷鸟搜索优化。为衡量图像的降质程度,通过对Curvelet变换的研究发现,相比于轮廓波变换其能更好的捕捉图像几何特征。所以提出基于Curvelet变换和神经网络的无参考图像质量评价。该方法首先对失真图像进行Curvelet变换得到Curvelet系数,对Curvelet系数利用非对称广义高斯拟合、并找到Curvelet方向信息的能量特征值,得到一组特征评价值。然后将特征向量送入到布谷鸟优化后的神经网络中进行训练,建立特征统计值和主观评价值的非线性映射关系,随后利用映射关系得到输入图像的预测值。利用LIVE数据库,通过与当前相关文献的方法对比,实验结果表明,该算法具有更高的一致性和准确性。