传统基于人类视觉感官进行主观判断的图像评价方式虽然有较为准确的评价效果,但往往费时、费力且不易集成,所以质量评价的研究往往以建立符合人类主观意见的客观模型的研究为主,客观模型的预测应当在单调性和秩序性上与人类主观意见保持基本一致。本文中所提模型采用皮尔森相关系数和斯皮尔曼秩序相关系数两个重要参数来说明模型预测是否符合人类主观的意见。论文主要从深度网络特征这个出发点进行延伸,分别从图像深层特征相似性、双边网络特征回归、双目网络特征融合回归三个方面进行了主要研究:（1）提出一种基于伪参考图像深层特征相似性的盲图像质量评价方法,首先训练基于条件的生成对抗网络,得到可以生成无限接近真实图像的伪参考图像模型,通过对测试的失真图像重叠分块采样,利用上述复原模型得到伪参考图像块,使用预训练卷积神经网络分别对失真图像块和伪参考图像块分别提取五层最大池化层的深层网络特征,不同于其他深度学习方法选择用所选特征拼接,利用主观分数作为标签进行回归任务的训练,本章节选择利用设计的深层特征相似公式计算二者对应每一层标准化特征图的相似性得分。最后,根据计算所得五级得分,采取相应池化策略,得到失真块评价分数,再选取平均池化策略回归得到最终图像分数。基于三种常见失真:高斯模糊、高斯白噪声、JPEG压缩进行模型比较,其模型性能表现出色,与最新方法指标相当。（2）提出了一种基于深度网络的双边伪参考图像的盲图像质量评估方法。引入了两类质量完全相反的图像作为伪参考图像两类基准,分别由一个恢复模型和一个退化模型产生,用两类伪参考图像与原始的待测图像作差,得到两类距离差图作为特征,利用回归神经网络模拟人类大脑处理信息,通过考虑正向信息和负向信息,以上述两类特征,进行客观模型与主观分数的回归拟合,从而实现了图像质量的预测。采用了分步模型训练的策略,使模型更加清晰且更具有解释性。利用该模型对LIVE-2D、TID-2013和CSIQ数据集上的4类常见失真类型进行评估,实验结果表明该算法的有效性和鲁棒性,且优于最先进的盲图像质量评估方法。（3）提出一个基于深层网络求和及双目差分视觉特性的立体盲图像质量评价,利用左眼视图、右眼视图、双目求和视图及双目差分视图,通过一个深层回归网络,将网络特征通过加权的方式进行串联增强,最终拟合出模型预测分数。该模型充分考虑了双目融合和双目差分的信息特征。所提模型在四个立体图像基准数据库上具有较先进的性能指标。