ارزیابی کیفیت تصاویر زیر آب به دلیل چالش‌هایی مانند نورپراکنی، جذب طول‌موج‌های رنگی، و کاهش تباین، نیازمند روش‌های تخصصی است. روش‌های سنتی ارزیابی کیفیت تصویر (IQA) به دلیل عدم توجه به ویژگی‌های منحصربه‌فرد محیط زیر آب، عملکرد محدودی دارند. در این مقاله، یک روش نوین مبتنی بر یادگیری عمیق برای ارزیابی کیفیت تصاویر زیر آب ارائه شده است. این روش از یک شبکه عصبی کانولوشنی (CNN) چندشاخه با بلوک توجه کانالی کارآمد (ECA) بهره می‌برد که به طور همزمان تصویر اصلی، نقشه تیزی، و نقشه ساختار را پردازش می‌کند. هر شاخه با استخراج خودکار ویژگی‌های مرتبط با کیفیت، اطلاعات مکمل را در اختیار مدل قرار می‌دهد. ترکیب این ویژگی‌ها با استفاده از بلوک‌های تجمیع و توجه، منجر به پیش‌بینی دقیق‌تر نمره کیفیت می‌شود. ارزیابی جامع بر روی مجموعه داده‌های متنوع SAUD2.0 و UID2021 نشان می‌دهد که مدل در هر دو مجموعه عملکرد قابل‌قبولی دارد و نسبت به روش‌های موجود دقت و همبستگی بالاتری را ارائه می‌دهد. همچنین، آزمایش ارزیابی متقابل بین این دو مجموعه داده تأیید کننده توانایی تعمیم و پایداری روش پیشنهادی در مواجهه با داده‌های متفاوت و ناشناخته است. این پژوهش گامی موثر در جهت بهبود ارزیابی کیفیت تصاویر زیر آب با رویکردی کارا و مقاوم ارائه می‌دهد.