医学成像技术是现代医学中的一个有力工具。然而,医学图像往往存在视觉质量降级,进而导致人工阅片和计算机辅助诊断的准确性降低。因此,研究低质量医学图像的增强方法是非常有必要的。变分Retinex作为Retinex增强方法的重要分支而在过去的十几年中得到了广泛的研究和应用。针对低质量彩色视网膜图像,光学相干层析（Optical Coherence Tomography,OCT）图像和低照度腰椎磁共振（Magnetic Resonance Imaging,MRI）图像的多种降级问题,本文基于变分Retinex开展图像增强新方法的研究,具体内容如下:（1）针对低质量彩色视网膜图像存在亮度差、照度不均匀和血管对比度低等现象,本文提出了一种基于变分Retinex和对比度受限的自适应直方图均衡（CLAHE）算法的增强方法,其中变分Retinex增强方法用于提升图像的亮度和消除照度不均匀,而在CIELUV颜色空间上应用CLAHE算法以进一步提高血管的对比度同时避免出现颜色失真。在收集的60幅低质量彩色视网膜图像和四个公开彩色视网膜图像数据集上进行了大量实验。实验结果验证了所提方法的有效性。（2）针对OCT图像存在对比度低和散斑噪声的现象,本文提出了一种基于改进Retinex模型的OCT图像去散斑和对比度增强方法。本文考虑了OCT图像中固有的乘性散斑噪声分量来改进Retinex模型。基于改进的模型,本文在对数域中顺序求解两个优化函数以实现从散斑减少的OCT图像中分解照度分量和反射分量。此外,本文使用CLAHE算法代替伽马校正来调整照度分量,以更好地提升视网膜层之间的对比度,并将调整后的照度分量和反射分量重组来得到增强图像。实验证明,本文方法可以很好地实现整幅OCT图像的去散斑和对比度增强。（3）针对变分Retinex模型优化过程迭代时间长的问题,本文构建了一个基于深度自监督变分Retinex分解网络的两阶段图像增强和去噪网络,并将其应用于增强低照度腰椎MRI图像。一阶段采用一个自监督变分Retinex分解网络以将输入图像分解为照度分量和反射分量。二阶段则采用了一个基于深度编码-解码结构的去噪网络以抑制反射分量的噪声。分解网络仅使用低照度MRI图像而不需要配对数据集（paired dataset）就可以完成训练。在临床数据集上进行测试的结果表明,本文方法在性能上表现出一定的竞争力,并且能够显著提升处理的速度。