立体图像在采集、压缩、存储、传输和显示等过程中都会受到外界干扰,导致图像降质,严重影响人们的观看体验。因此,对立体图像的视觉舒适度进行评价是目前立体成像技术领域亟待解决的主要问题之一。人类视觉系统在观看图像时具有视觉显著特性和分级特性。视觉显著指的是人眼在观看图像时对各个区域的关注程度并不相同;分级特性指的是人脑在处理图像时逐级抽象和迭代的过程。基于此,论文主要完成两方面的工作:(1)结合人眼的视觉注意机制特性对影响立体图像舒适度的亮度因子进行定量研究;(2)基于大脑认知的分级特性提出采用卷积神经网络对立体图像的视觉舒适度进行研究的方法。(1)在该部分工作中,首先采用视差图和平面显著图相结合的方法获得显著立体图像(论文采用眼动仪验证了所得立体图像显著区域的正确性);然后采用改进的逐级逼近方法以减少主观实验的数据量,通过大量主观实验和实验分析得到显著立体图像的舒适亮度匹配图和差异图。实验结果表明,本文所得人眼舒适亮度最大值为197.6,最低舒适亮度为35.7,左右眼最大亮度差为102.8,本文所得亮度范围能够更好地反映立体图像的舒适度,为立体图像舒适度评价及立体显示技术的改进提供了新的依据;(2)论文通过卷积神经网络模拟人类感知对所得图像进行处理。该方法将立体图像的左视图、右视图和视差图融合为一幅图像作为网络的输入,经训练得到权重系数。最后利用人眼视觉显著特性将图像块舒适值加权作为整体图像的舒适度值。该模型采用3层卷积3层全连接的轻量网络结构,并采用ReLU激活函数,通过较少的网络参数达到较好的评价效果。实验结果表明,在LIVE 3D phase-I、LIVE 3D phase-Ⅱ和MCL数据集上,本文提出的算法性能优越,其皮尔森相关系数分别能达到0.953、0.942和0.943,通过本文方法建立的评价模型能很好的对立体图像舒适度等级进行预测。