高动态范围（High Dynamic Range,HDR）图像拥有丰富的色彩和细节信息,能够更真实地表现实际场景,但使用硬件直接捕获HDR图像的方法成本昂贵,难以普及,现阶段大多采用软件算法获取,主要包括多曝光HDR图像获取方法与单曝光HDR图像获取方法。多曝光方法需要处理图像中前景移动所带来的鬼影效应,并进行多帧对齐,而单曝光方法则可以直接避免此类问题。本论文主要研究基于深度学习的单曝光HDR图像获取方法。对于基于单帧图像的单曝光HDR图像获取方法而言,需要重点关注成像质量不良区域的信息重建,如过曝光区域的高光抑制、欠曝光区域的噪声去除等,并使网络重点关注这些不良曝光区域的信息恢复问题。本论文使用了以往学者的研究用数据以及互联网上的高质量HDR图像,针对部分图像数据缺少对应LDR图像的情况,结合图像曝光区域特点生成数据对,得到大量数据用于训练与测试。本论文提出了两种基于不同网络架构的单曝光HDR图像获取方法。一种是利用多分支自动编解码器并结合重点区域蒙版的单曝光HDR图像获取方法,在网络结构上,该方法使用具有多分支编码器的网络结构,对图像的细节与全局信息进行关注,并与不良曝光区域蒙版结合,使网络更集中于对不良曝光区域的信息增强上。另一种是基于双分支Unet型网络的单曝光HDR图像获取方法,该方法使用两个分支分别处理过曝光与欠曝光区域的信息重建问题,并利用实例正则化操作对图像的过曝光区域进行差异化的恢复,使用双边滤波器抑制HDR图像中因噪声带来的伪影带。此外,本论文提出的两种方法均利用HSV（Hue,Saturation,Value）域中的颜色通道差异,指导网络提取图像色彩分布特征,减少色差。本文中的方法与现有的若干具有代表性的HDR图像获取方法进行了对比,以验证本文提出方法的有效性。结果表明,本论文提出的方法能够对过曝光区域的纹理和色彩信息进行恢复,同时滤除欠曝光区域的噪声,进而减少了伪像的产生;本论文的方法在客观评价指标上也具有一定优势。