随着图像显示技术的发展,能够显示高比特图像的显示器开始逐渐普及。而现有的媒体源比特深度较低,直接显示到高比特显示器上会将图像的伪轮廓,细节纹理丢失,颜色失真的缺陷所展现出来,给人带来不好的视觉体验,同时也不能发挥出高比特显示器的优势。而将这些低比特媒体源所表达的场景重新采集并制作为高比特深度的图像会消耗大量的人力成本和时间成本。比特深度增强技术可以将比特数较低的图像直接转化为比特数较高的图像,缓解低比特图像中存在的图像质量问题。在此基础上,本文提出一个新的基于深度学习的比特深度增强算法,将原有的低比特深度图像转换为质量较高的高比特深度图像,抑制伪轮廓,恢复细节纹理和颜色失真等现象。本文的主要贡献如下:（1）现有的基于深度学习的比特深度增强算法都是以生成图像残差为目标,再加上输入的低比特图像之后得到高比特图像,并没有针对图像残差本身的特征进行分析。为了更好地生成图像残差,本文研究了其具有的特征,并定义了图像残差包络,它能够表达图像残差的起伏变化情况。（2）现有的基于深度学习的比特深度增强算法直接生成图像残差难度较高,生成的图像残差质量有待提高。文本设计了一种two-step网络,根据其使用残差包络而取名为DE-CNN,该网络分两步进行图像残差的生成,第一步,利用图像残差包络粗略地生成图像残差,重点重建图像残差的局部起伏变化情况;第二步,在基于粗略的图像残差的基础上生成高质量的图像残差,精确到每个像素。（3）提出了一个新的损失函数项,双包络损失（Double Envelope Loss,DE-loss）。双包络损失和均方误差损失加权组合成为DE-CNN的最终损失函数。在损失函数为多项组成的情况下,针对目前没有一种办法来确定两者权值的问题,提出了一种在训练的过程中动态调整权值的方法来确定一个合适的权值,避免对权值选择问题进行反复实验,节约了训练成本。在自然图像和合成图像两种数据集上对本文提出的算法进行了不同比特数的测试实验,并且在4-16比特任务中与其他主流比特深度增强算法做了对比实验,发现本文提出的算法不管在主观还是客观方面,都能取得较好的效果。