随着信息传播媒介的改变和互联网的飞速发展,图像作为一种重要且快捷的信息载体,以数以亿计的速度呈指数型增长。越来越多的研究者们开始关注自动化的图像美学评价。图像美学评价是指用计算机代替人类来对图像的美感进行评判,由于美学具有很强的主观性和复杂性,所以一直是计算机视觉领域一个具有挑战性的问题。图像美学评价能够应用到图像美学排序推荐、图像重编辑和图像美学优化等领域,因此对于计算机视觉领域具有十分重要的意义和价值。本文首先对于现存的主流图像美学评价方法和模型进行了深入调研和详细梳理,并且对于基于深度学习的图像美学评价方法进行了重点整理和总结。本文基于深度学习方法针对目前美学评价领域存在的问题提出了相应的美学评价算法,主要工作及创新如下:目前基于深度学习的美学评价模型在特征提取时没有考虑到图像在空间和通道维度特征的差异性,并且忽略了不同美学任务间的相关性,基于此本文提出了一种基于多维度注意力特征提取的多任务美学评价算法,在特征提取阶段,利用提出的多维度注意力模块来对美学关键性区域和关键通道重点关注,从而提取到分辨度更高的美学特征;在训练学习阶段,采用基于硬共享参数的多任务学习方法联合美学二分类任务、美学评分分布任务和美学风格任务训练学习,并进行消融实验对照验证,有效提升了美学评价模型的性能。针对目前美学数据集没法满足本文多任务学习的需求,我们在AVA数据集基础上补充了评分、二分类和风格标签后重构得到了AVA-CT美学数据集,在这两个数据集上进行的相关实验证明了本文提出算法的有效性,提出算法在二分类任务和评分分布任务上显著提升了性能。针对现存美学评价模型中往往由于模型输入尺寸固定限制而造成图像中构图等美学信息损失这一问题,本文提出了一种基于构图特征提取的尺度自适应美学评价模型,首先通过尺度自适应模块尽可能的保留原始图像的美学信息,然后在黄金分割构图法、三分构图法和中心构图法这三种美学构图原则的参考下基于感受野的区域映射方法来对构图核心区域的特征进行提取,最终融合改进后的多维度注意力特征提取模块构建得到了一种支持任意尺寸输入的双通道美学评价模型。此外,我们还探讨了将多任务学习引入到双通道美学评价模型的效果,并在重构的AVA-CT美学数据集上进行了相关实验,实验结果表明多任务学习能够进一步提升双通道美学评价模型的效果。综上所述,本文主要基于深度学习方法研究图像美学评价任务,针对目前美学评价模型提取美学特征能力的不足和输入尺寸限制造成的构图信息损失提出了相应解决方法及网络模型。通过在公开数据集的相关实验分析并验证我们方法的有效性。我们的方法给图像美学评价提供了一种有力的工具,可以广泛的应用于图像优化增强,图像排序推荐和摄影指导等领域。