针对通用型无参考图像质量评价（NR-IQA）算法，提出一种基于伪参考图像显著性深层特征的评价算法。首先，在失真图像的基础上，利用微调的ConSinGAN模型生成相应的伪参考图像作为失真图像的补偿信息，弥补NR-IQA算法缺少真实参考信息的不足；然后，提取伪参考图像的显著性信息，将伪参考显著性图像与失真图像输入到VGG16网络中提取深层特征；最后，融合二者的深层特征并将其映射到由全连接层组成的回归网络中，从而产生与人类视觉一致的质量预测。为了验证算法的有效性，在四个大型公开的图像数据集TID2013、TID2008、CSIQ与LIVE上进行实验，结果显示所提算法在TID2013数据集上的斯皮尔曼秩相关系数（SROCC）比H-IQA算法提升了5个百分点，比RankIQA算法提升了14个百分点，针对单一失真类型也具有稳定的性能。实验结果表明，所提算法总体表现优于现有主流全参考图像质量评价（FR-IQA）和NR-IQA算法，与人类主观感知表现一致。

在印刷工业生产中，针对直接使用YOLOv4网络进行印刷缺陷目标检测精度低、所需训练样本数量大的问题，提出了一种基于Siamese-YOLOv4的印刷品缺陷目标检测方法。首先，使用了一种图像分割和随机参数变化的策略对数据集进行增强；然后，在主干网络中增加了孪生相似性检测网络，并在相似性检测网络中引入Mish激活函数来计算出图像块的相似度，在此之后将相似度低于阈值的区域作为缺陷候选区域；最后，训练候选区域图像，从而实现缺陷目标的精确定位与分类。实验结果表明：Siamese-YOLOv4模型的检测精度优于主流的目标检测模型，在印刷缺陷数据集上，Siamese-YOLOv4网络对卫星墨滴缺陷的检测准确率为98.6%，对脏点缺陷的检测准确率为97.8%，对漏印缺陷的检测准确率为93.9%；检测的平均精度均值（mAP）达到了96.8%，相较于YOLOv4算法、Faster R-CNN算法、SSD算法、EfficientDet算法分别提高了6.5个百分点、6.4个百分点、14.9个百分点、10.6个百分点。所提Siamese-YOLOv4模型一方面在印刷品缺陷检测中有较低的误检率和漏检率，另一方面通过相似性检测网络计算图像块的相似度从而提高了检测的精度，表明所提缺陷检测方法可应用于印刷质检以提高印刷企业的缺陷检测水平。