在如今智能多屏时代，人们对图像的要求越来越高，高清、高质是现代视觉信息所追求的基本目标。同时，图像作为当下传播和分享信息最为便捷的载体，已经成为了人们沟通和交流不可或缺的一种表现形式。但是，成像过程等因素造成的降质图像会严重影响图像内容本身所携带信息的呈现，严重影响视觉感受。因此，在人们对视觉感受日益增长的需求之下，对图像质量的智能感知和评价以获得更高质的图像质量是亟待解决的难题。　　模糊是图像降质的重要原因之一，而无参考图像质量评价应用最为广泛。传统的无参考模糊图像质量评价方法着眼于在空间域或变换域人工直接寻求与图像质量相关的特征，进而根据建立映射关系来评估图像的质量。本文在深入研究深度学习基本理论的基础上，针对现有算法的不足，提出了基于深度学习理论的无参考模糊图像质量评价，论文的主要研究内容和成果如下:　　1.由于目前尚无专门针对模糊图像质量评测的数据库，本文自建了具有针对性的模糊图像库。该图像库分为模拟图像库和真实图像库，前者模拟经典图像库的方式，自建了运动模糊图像库和散焦模糊图像库。在真实失真图像库方面，收集了大量的模糊图像并给予严格的主观评分，建立了真实模糊图像数据库。　　2.针对传统方法在模糊图像质量评价一致性不足和模型效率低下的问题，本文利用卷积神经网络能直接从空间域自发学习特征的优势，改善了一贯在变换域人工提取特征的传统做法，提出了基于卷积神经网络的无参考模糊图像质量评价方法。相比经典的传统做法，基于卷积神经网络的模糊图像质量评价方法在评价一致性上有明显的优势。实验中也从多个维度进行了验证。　　3.基于卷积神经网络的评价方法是直接利用图像块空间域的信息，没有用到已经被证明的图像自然统计特性等有效信息。基于此，我们又提出了将自然图像统计特性这一先验知识与深度学习相结合，更有针对性的学习与图像质量相关的特征。首先，提取图像块的自然图像统计特征，然后用这些特征作为输入，用修正后的深度信念网络加以训练，最后再进行分类预测。同样，也从单幅图像层面、图像库层面、模拟和真实数据层面做了相关的实验，相关的评价指标与其他方法比较，也证实该方法与主观评价有着较好的一致性。