随着互联网的高速发展和手机等拍照设备的普及,图像数量成指数级增长,用户对图像美学的评价需求也越来越多。图像美学质量评价任务的关键在于建立图像美学判定与其内容表达之间的关联,使计算机能模拟人类审美对图像的进行客观的美学质量评价。图像美学质量评价在人脸识别、目标检测和图像搜索等任务具有实际的应用价值,近些年来吸引了研究者的广泛的关注。总体来说,目前对图像美学质量评价的研究方法大部分通过建立端到端的深度卷积网络模型来自动提取特征进行美学质量评价。但是,用户通常是在理解了图像语义的基础上来进行评估图像的美学质量,即对一幅图像进行美学评价时,用户会首先感知到图像内容,然后再进行评价,因此,图像美学质量评价应该和图像语义联系起来。但现有研究大多数把图像美学质量评价和语义识别两个任务单独进行;另一方面,图像的美学质量评价具有主观性,现有美学质量评价数据集中图像的美学得分一般也是由不同人打分决定,因此,在设计图像美学质量评价网络模型中模拟人的主观评价过程也非常重要。从以上两个角度,本文提出了两种基于多特征融合的图像美学质量评价方法。本文的主要贡献和创新点如下:(1)提出了一种融合语义特征的图像美学质量评价方法。图像美学质量和图像的语义紧密相关,因此图像美学质量评估与语义内容识别两个任务相互关联且共享某些特征,把图像的美学分类和语义识别两个任务关联起来,作为一个整体可以有效提升图像美学质量评价的性能。该方法通过用多任务参数软共享方法来制定学习策略,将美学质量评价和语义内容识别耦合起来,有效地学习任务间的关联关系和各自任务的特征。具体来说,该方法在通道维度学习全局信息,在空间维度学习局部信息,进而在两个维度上进行任务间的特征自适应融合,使每个任务的有效特征得以增强、无效特征得以抑制,最后通过加入自学习参数来保证任务学习过程中的稳定性,最终使两个任务的性能可以互相促进提升。(2)提出了一种基于多特征融合的图像美学质量评价方法。图像美学质量评估和人类的主观认知紧密相关。因此,该方法通过模拟不同用户对同一图像进行美学质量评价的过程,利用多个深度卷积神经网络分类器学习图像美学的不同表示和偏好,从而形成了由多分支特征融合的图像美学评价模型。该方法的模型在学习训练过程中,将不同美学特征提取器学到的特征通过特征融合模块进行交互,即在多个深度卷积神经网络分支之间加入了特征融合机制,从而可以生成更细致且全面的美学特征,更有效地建立图像内容表达与美学判定之间的有效联系,最终实现了图像美学质量评价任务的性能的提升。