图像美学质量评价是使计算机模仿人类的审美过程,给出待评价图像的美学质量评价,如给出一个简单粗糙的评价结果——图像美学质量的高低或好坏,或者给出详细的具体的评价结果——图像美学质量分数或图像美学质量得分的概率分布等等。图像美学质量评价在图片搜索、自动拍照、照片优化等领域都有着广泛的应用,使用图像美学质量评价方法可以进一步提高服务质量和效率。本文通过研究现有的图像美学质量评价方法,结合深度学习技术,提出了两种图像美学质量评价方法,其主要研究内容为:(1)结合胶囊网络和自注意机制提出了基于胶囊网络的图像美学质量评价方法,使用自注意机制解决了卷积网络无法在浅层网络中提取远距离特征依赖的问题,并使用胶囊网络的路由机制来更新部分模型参数。对其网络模型结构进行了说明,和谷歌提出的神经图像评估(NIMA)模型进行了同类型图像测试达到了同样的美学质量评价效果。在审美视觉分析的大型数据集(AVA数据集)上进行二分类测试正确率为72.4%。(2)通过研究图像美学质量评价技术的发展历史,发现现有图像美学质量评价都是基于先对待评价图像进行特征提取,然后对提取的特征进行拟合或其他操作输出最终评价结果这一思路来实现的。本文提出了基于相似度比较的图像美学质量评价方法,图像的美学质量得分是基于相似度比较而给出的,即待评价图像的美学质量得分是根据待评价图像与待评价图像对应的最美图像之间的相似度或差异性给出美学质量得分。对于基于相似度比较的图像美学质量评价算法的适用场景、算法原理、具体实施步骤等都进行了说明,并和现有图像美学质量评价方法进行了比较分析,实验验证表明此方法具有运行速度快、图像背景影响小、图像评分差异明显等等优点。