近年来,图像美学已经成为社交媒体网站和媒体资源库中视觉内容管理的重要指标,图像美学质量评估也成为计算机视觉领域中的热门话题。以往关于美学预测模型的研究主要集中在美学评分回归或美学二值分类上,没有考虑到美学评估的主观性问题。人们由于主观偏好的不同对于图片的审美倾向也各不相同,单一的美学评分或类别标签不足以表征用户审美偏好之间的分歧。考虑到原始的美学注释是以分数直方图的形式呈现,其提供的信息比二进制标签或平均分数更丰富、更精确。因此,本文采用基于美学评分分布的表示形式来描述图片的美学质量,通过研究发现美学评分均值在不同范围内的图片,其美学评分分布模式也具有差异性。于是本文提出了一种多通道加权网络来预测图像美学质量分布,该网络通过对不同美学分布模式的预测结果进行加权得到最终分布预测结果。本文在目前最大的美学数据集AVA上进行分布预测实验,并和目前已有的美学质量分布预测算法进行对比,实验结果表明本文提出的算法得到了最优的美学质量分布预测结果。进一步,通过公式可以很容易地将预测的美学分布转化为美学评分或者美学类别,并且与目前已有的美学质量分类或回归算法进行比较。结果表明本文提出的网络模型虽然仅针对分布预测任务进行训练,但是在美学质量分类、美学评分回归这两项经典任务中都得到了最优的结果。随着图像美学质量评估在图像检索、图片编辑等一些实际应用中的流行,基于图片美学质量进行图片对比排序这样的评估方式相比于二分类或者评分回归会更加合理。然而目前的美学排序任务其美学特征的提取都是预定义的特征或者深度网络进行排序训练自主学习的特征,这样的特征无法充分描述图像的美学属性。本文通过实验证明了进行美学评分分布预测训练的网络其提取出的美学特征在美学二分类、回归和分布预测任务中都起到了很好的美学属性表达效果。为了优化网络对图片美学质量特征的提取,本文设计了一种同时预测图片美学质量分布和图片相对排序评分的多任务模型,该模型利用原始图像美学质量分布监督信息优化对图片美学特征的提取,并采用双通道网络对输入的图片对进行对比排序。同样在AVA数据集上和目前已有的美学排序算法进行对比实验,实验结果证明本文提出的多任务模型提取出的美学特征更有效,得到了更优的排序性能。