随着计算机网络,通信技术和电子技术的快速发展,信息传播已经取得迅猛的发展。其中数字图像和视频作为信息的主要载体,是人类获取和交换信息的主要来源。数字图像的相关研究在近几年同样发展迅速,并在生活的许多领域得到广泛的应用。其中图像质量评估研究是图像处理、计算机视觉领域的一个基本而又具有重大意义的问题。本文主要研究二维图像和三维图像的质量评估方法。现有的全参考图像质量评估通常提取图像主观感知的相关特征,然后建立数学模型评估图像质量。然而,主观感知往往与多类不同的特征相关联。基于这一点,本文首先提出一种基于机器学习的全参考二维图像质量评估方法,考虑与主观感知相关的多个特征,结合每个特征的优点构造了一个更符合主观感知的模型。为进一步减少客观评估和主观感受之间的差距,设计融合视觉显著性的特征、局部图像质量排序特征、局部图像统计特征和基于频率感知质量的特征,从多角度提取与主观感知有强关联关系的二维图像特征。实验结果表明,相比其他方法,提出的基于机器学习的图像质量评估方法与主观感知评估的一致性更好。由于三维立体图像的质量评估要比二维图像复杂得多,三维图像质量评估方法往往在对称失真的三维图像上取得了良好的效果,但在非对称失真的三维图像上表现不佳。为了提高对称和非对称的失真三维图像的感知的一致性,本文提出一种基于机器学习的全参考三维图像质量评估方法,提出的全参考三维图像质量评估方法考虑了两种视图和深度信息的质量。对称和非对称失真对三维图像左右视图的影响不同,我们针对对称和非对称失真的三维图像设计不同特征。与其它评估方法相比,本文提出的全参考三维图像质量评估方法与主观感知评估之间具有更高的相关性、单调性和准确性。最后,提出基于卷积神经网络的无参考三维图像质量评估算法,利用网络将特征提取和学习过程结合在一起。使用SIFT Flow算法获得一张结构与左视图一致,失真与右视图一致的匹配图像,将左右视图的差值图以及匹配图和左视图的差值图进行预处理,并设计卷积神经网络模型对输入图像块学习得到图像的特征,卷积神经网络模型最后一层利用两个全连接层进一步学习并最终得到对立体图像质量的评估值。对比现有图像质量评估方法,在非对称失真数据集上获得的评估结果与已有方法相比有较大的提高。