Les êtres humains évaluent souvent la qualité esthétique d'une image tout en identifiant son contenu sémantique. Ce papier aborde le problème de la corrélation entre l'évaluation automatique de la qualité esthétique et la reconnaissance sémantique. Nous considérons le problème d'évaluation comme la tâche principale au sein d'un modèle profond multi-tâches, et soutenons que la tâche de reconnaissance sémantique constitue la clé pour résoudre ce problème. À partir de réseaux de neurones convolutifs, nous proposons un cadre multi-tâches simple et unique permettant d'utiliser efficacement les étiquettes d'esthétique et de sémantique. Un élément de corrélation entre ces deux tâches est ensuite intégré au cadre grâce à l'apprentissage de relations entre tâches. Cet élément ne fournit pas seulement des insights utiles sur la corrélation entre les deux tâches, mais améliore également la précision de l'évaluation esthétique. En particulier, une stratégie efficace est développée pour maintenir un équilibre entre les deux tâches, facilitant ainsi l'optimisation des paramètres du cadre. Des expériences étendues sur les ensembles de données exigeants AVA et Photo.net confirment l'importance de la reconnaissance sémantique dans l'évaluation de la qualité esthétique, et démontrent que les modèles profonds multi-tâches peuvent découvrir une représentation esthétique efficace pour atteindre des résultats de pointe.