图像是信息传递的重要载体,如何获取高质量的图像一直是人们探索的方向与目标,图像质量直接关系着后续的图像处理与应用。自动对焦技术作为光学成像系统的关键技术之一,广泛应用于卫星导航、电力巡线、机器人视觉、自动监控等领域。随着数码相机、智能手机等各类小型化成像设备的普及,消费者对图像质量的要求越来越高。为了提高获取图像的质量,本文针对图像采集系统中自动对焦和图像筛选这两个重要环节,并结合实际应用开展了一系列研究。首先,针对基于对焦深度法的自动对焦系统中清晰度评价函数对噪声敏感的问题,提出了一种新的图像清晰度评价函数。首先,利用4方向Scharr算子进行梯度累加计算实现双区域对焦窗口的选择;其次,将对焦窗口进行二维经验模态分解,提取出包含较多图像细节的前2个尺度分量;最后,利用2个分量加权计算能量梯度值,得到清晰度评价函数值。同时,为了实现清晰度评价函数的定量分析,提出了精细对焦阶段灵敏度评价指标。实验结果表明,与常见的清晰度评价函数相比,该方法在有噪声的情况下,具有最大的灵敏度,抗噪能力最强。其次,针对采集得到的图像质量评价问题,本文提出了两种模糊图像质量评价方法。在基于非学习的方法方面,受基于图像处理的自动对焦和最大局部信息理论的启发,本文提出了一种基于双最大局部信息的无参考模糊图像质量评价方法。首先将最大梯度与局部熵结合起来提取图像的感兴趣区域,然后对该区域求取不同颜色通道下的梯度信息得出最终的评价值。在基于学习的方法方面,考虑到基于机器学习方法具备更强的特征学习能力和更优异的性能,本文还提出了一种基于深层次结构信息的无参考模糊图像质量评价方法。在时域中,提出了一种新的加权局部二值模式,利用最大局部变化从多分辨率图像中提取特征。在频域中,将多尺度Log-Gabor滤波图像的熵信息和梯度信息相结合作为特征。然后,通过支持向量回归映射到质量分数中。实验结果表明,与一些最先进的方法相比,本文提出的方法有更好的结果,更符合人类视觉系统。最后,本文以Arduino单片机为核心,搭建了一套机器视觉系统。将本文所提出的清晰度评价函数与常见的几种函数在系统上进行了对焦精度和实时性的测试实验。实验结果表明,本文所提出的对焦方法切实可行,具有最好的对焦精度。同时,针对拍摄后的图像,建立了相应的数据集,并验证了本文提出的两种图像质量评价方法。实验结果表明,本文提出的方法能够较好的筛选出清晰/模糊图像。