在信息技术日新月异的发展下,计算机视觉领域在新理论的支撑下飞速发展,开拓了新的研究方法和思路。图像作为人类生产生活中必要的信息来源,提供了丰富的知识,图像处理技术在网络电子化的21世纪发挥着重要的作用,也是人类社会创新进步的催化剂。图像质量是图像研究领域中最重要的环节之一,图像的质量为很多计算机视觉相关的研究工作提供了量化图像及视频性能的重要依据,图像是人类获取信息直接又高效的方式,虽然主观的质量评价分数由很多专业的观察者提供,具有准确的统计学意义,但是此方法需要耗费大量的人力物力,也有不能嵌入系统进行实时处理的问题,因此通过建立计算模型模拟人类视觉系统对图像质量进行评价的客观质量评估方法,在实际应用中具有非常重要的应用价值。本文提出了一种基于人类视觉系统的全参考图像质量评价方法,充分考虑了人眼视觉系统的相关特性,利用卷积神经网络计算图像的特征图,并结合图像的显著图及轮廓图的特征对图像进行有效的质量评价。随着深度学习技术的日益成熟,卷积神经网络等深度网络在图像领域的分类识别任务中产生了较好的效果,其中代表性的VGG-NET作为一种卷积神经网络,能够自动的提取到图像的特征,具有很强的鲁棒性。本文使用VGG-NET对图像特征进行提取,考虑到关于质量评价的图像库包含的数据量较小,首先在大数据集ImageNet进行自然图像的网络训练,然后将训练好的网络迁移到图像质量评价的数据库中进行图像特征图的计算。相关研究表明,人类在观察图像时往往更关注图像中感兴趣的区域,图像的显著性检测符合人眼视觉特性,强调了图像中的重点信息同时忽略了很多不被人眼注视的冗余信息。图像的亮度信息在人类视觉系统中非常重要,颜色信息能够一定程度的反应出人眼更注意的区域,因此本文对一种图像显著性检测的方法进行改进,对于颜色直方图的检测算法没有考虑亮度及距离信息的不足之处,本文提出了基于中心距离的颜色亮度显著性检测方法,通过对图像中亮度和颜色的计算得到参考图像和失真图像的显著图,基于图像颜色和亮度的显著性检测方法能有效地辅助图像质量的量化。同时因为图像的纹理轮廓根据图像的失真程度会产生一定的损失,本文使用Mean-Shift和高斯金字塔对图像的轮廓进行检测,生成图像的边缘轮廓图,作为图像质量评价重要的参考信息。本文将原始图像和这三种方式产生的特征图有机的结合起来,并将神经网络输出的特征图作为质量测量的权重,提出了一种符合人眼视觉系统特性的全参考图像质量检测算法。实验结果显示本文提出的算法和人类视觉系统有较高的一致性,相比于其他经典全参考的图像质量评价方法,本文提出的算法在评价指标上表现的更好。在TID,CSIQ等数据集上本文的算法都表现出与人眼视觉系统具有很高的一致性。