图像在传输、存储等过程中不可避免地会发生图像质量下降的问题,这对于后续的图像处理带来了巨大的挑战。通过自动判定图像质量,避免将低质量的图像引入图像处理系统中,将在很大程度上缓解或避免上述问题。因此,图像质量评价算法作为图像工程的关键环节具有重要的研究意义和应用价值。全参考图像质量评价（Full-Reference Image Quality Assessment,FR-IQA）方法作为图像质量评价的重要研究方向能获得较高的准确率。因此,本文重点研究基于深度学习的全参考图像质量评价算法,充分利用了深度学习对特征的强表征能力。然而,现存的深度学习方法存在两个问题:1)对网络中层甚至低层提取出的图像特征利用不足。2)忽略了图像失真类型对人眼视觉感知的影响。在这基础上,提出了两个研究重点:全参考图像质量评价的多层特征融合和多任务学习研究。主要研究工作如下:（1）提出了一种端到端的基于多层特征融合的全参考图像质量评价方法。传统上,研究人员们只利用网络最后一层输出的高级语义特征来进行下一步的分数回归计算。然而,这种方法忽略了图像中级、低级特征对图像质量评价的影响。本文提出了多层特征融合机制,将图像的高级和中级特征同时传入分数回归计算部分,使模型充分利用到不同层次特征的有用信息。本文提出的算法在LIVE数据集上的皮尔森线性相关系数（Pearson Linear Correlation Coefficient,PLCC）达到了98.3%的预测精确度。（2）提出了一种基于多任务学习的全参考图像质量评价方法。针对失真图像,本文提出一种多任务学习框架,将前一个工作的网络结构作为一个共享网络,既对失真图像的质量分数进行估计,也预测图像的失真类型;同时,对这两个任务利用了一种基于贝叶斯不确定性方法进行加权。通过对图像失真类型和质量分数的预测,更完整地描述了图像的失真属性,同时明显提高了图像质量分数预测的准确性。实验证明,算法在LIVE数据集上的PLCC值达到了98.5%,相比工作（1）有了0.2%的提升。本文提出的方法将网络的中层特征也纳入到质量评价的计算中,并通过多任务学习给出了在失真类型意义下的质量评价,达到了非常高的预测精确度。本文的研究为FR-IQA的网络结构设计方法提供了新的思路,在图像处理领域有着积极的研究价值。