城市街道是连接城市内各类公共设施的主要纽带,城市街道空间品质是城市物理环境组成和使用者感受的综合,本文中具体表现为对场景的多样化和舒适性感知,即街道空间感知品质。街道空间品质优劣直接影响人们对城市的印象,是城市质量重要评价内容。结合街景数据的优势和机器学习的算法能力,本文基于百度街景,应用迁移学习和排序学习等技术,从图像感知角度出发,构建了城市街道空间品质感知评估的神经网络模型,并利用该模型评估了武汉市主城区的街道空间品质分布情况,通过与路网数据、房价数据进行相关性分析,验证了方法的可行性。通过本次研究发现:(1)利用迁移学习和排序学习构建基于街景的街道空间品质感知模型,具有简洁的模型结构同时,能够取得好的感知精度。并验证在先验知识指导下标注数据集更有利于特定问题的研究,提取高维图像特征能够有效提高模型的精度。(2)研究区域的街道空间品质分布具有空间自相关性,区域中心总体上优于区域边缘,但区域中心内部空间品质差异较大,街道空间品质与道路功能等级全局相关,而与小区房价在地理空间局部相关。模型评估结果与研究区域的实际情况基本相符。研究虽然从图像感知出发构建了可用的城市街道空间品质感知模型,但只应用了街景数据,后续将考虑如何与其它数据有效结合,综合客观评价和主观感知,构建更全面的街道空间品质评估模型。本文通过引入新数据和新方法对街道空间品质进行感知研究,一定程度上促进了空间品质研究发展。对街道空间品质的评分分析为规划工作者提供量化方法,为城市的规划、建设提供参考和指导。