随着移动互联网和移动设备的普及,图像已经成为人们日常生活中最主要的信息交互方式之一。在国防军事、工业医疗和城市建设等领域也充满了各种各样的图像数据,高质量的图像更有利于从中提取有用的信息。然而通常获取到的图像在采集、传输和存储等过程中都会造成多种多样的复杂失真,严重影响人们对图像信息的理解和对美学的追求。本课题来源于青年科学基金项目“基于深度卷积神经网络的盲图像质量评价”,旨在提高对多类型合成失真和真实场景失真图像质量评价的主客观一致性。随着人们对拍照需求的增加,改善移动端图像质量具有重要的实际价值。本文也将探究使用图像质量评价优化移动端图像增强网络模型。本文研究具体包含以下三个部分:第一部分提出颜色空间统计联合纹理特征的无参考图像质量评价方法。该方法首先提取多尺度MSCN系数统计特征及其带权重的LBP直方图特征;然后提取l??颜色空间下红绿通道和蓝黄通道系数分布的统计参数特征;最后运用SVR建立图像质量评价回归模型。统计特征从整体结构出发,LBP直方图特征从局部纹理出发,联合统计和纹理特征具有更强的感知图像质量能力。实验结果表明该算法在标准的合成失真数据库上具有良好的主客观一致性和泛化性,算法复杂度也较低。第二部分提出基于排序学习的无参考图像质量评价方法。该方法以VGG16为主干网络,首先使用真实场景下无标签数据集Waterloo生成不同失真类型和失真等级的图像。然后模型的训练分为两阶段,第一阶段使用具有相对质量好坏的图像作训练集,使用列表排名损失函数优化排序学习模型;第二阶段使用IQA数据库微调网络模型,网络输出为质量得分的直方图分布,最后通过优化EMD距离损失更新模型参数。实验结果表明,该算法能较好的评价复杂合成失真和真实场景失真的图像质量,验证了利用排序学习后的网络能提高图像质量的评价效果。第三部分提出了图像质量评价引导的移动端图像增强方法。首先介绍了用于移动端图像增强的具有范围缩放和全局特征的U-Net网络模型RSGUNet,并详细介绍用该网络作为图像生成器训练图像增强任务时用到的损失函数。然后在RSGUNet网络模型的基础上,使用基于排序学习的无参考图像质量评价模型,提取增强图像的主观表现损失和主观得分损失。通过这两个损失指导生成网络的训练,提升算法主观效果。对比实验结果表明,本文算法改进的网络结构和损失函数不但能提高PSNR和SSIM客观指标,而且能较好的改善人眼主观效果,这也表明图像质量评价在移动端图像增强任务上具有实际的应用价值。