低照度图像增强是一种通过增强图像整体或局部区域对比度来提高图像质量的重要技术,它能有效改善图像的视觉效果。然而,目前低照度图像增强技术在进行图像增强时仍存在三个问题:一是图像增强技术在增强复杂光照条件下的非均匀照度图像时,会出现过度增强和增强不足的问题,二是低照度图像的暗区域中存在噪声,图像增强技术在提高对比度的同时会放大噪声,三是图像增强技术在处理低信噪比图像时不能较好的处理同为高频的细节信息和噪声。因此,针对上述三个问题,提出了三种有效的低照度图像增强算法,主要研究内容及成果如下:（1）针对过度增强和增强不足的问题,提出一种基于信息熵的自适应伽马矫正算法。该算法利用伽马函数对图像直方图进行修改使其分布更均匀,以提高图像对比度。算法进一步将图像信息熵作为衡量直方图均匀程度的指标,求解其最大时对应的最优伽马值,并应用于伽马矫正,从而实现算法的自适应能力。实验结果表明,所提算法与其他六种经典的图像增强算法相比,在主观视觉和客观指标两个方面都有较好的效果。（2）针对图像中噪声被放大的问题,提出一种基于鲁棒性主成分分析（Robust Principal Component Analysis,RPCA）的自适应增强算法。该算法通过RPCA分解将照度信息与噪声分离得到低秩分量和稀疏分量,并对低秩分量采用上述自适应伽马矫正算法提高图像对比度。所提算法充分考虑像素之间的空间关系,且对幅值较大的噪声有较强的鲁棒性。实验结果表明,所提算法与其他四种经典的图像增强算法相比,在主观视觉和客观指标两个方面都有较好的效果。（3）针对低信噪比图像中存在大量噪声的问题,提出了一种基于降噪自编码网络的自适应增强算法。该算法以降噪自编码器为网络模型,选择RPCA分解模型中的稀疏分量作为训练集,将稀疏分量中同为高频的细节信息和噪声进行分离,实现噪声抑制,并通过分步训练进一步改善网络的噪声抑制效果。实验结果表明,所提算法与其他两种经典的降噪算法相比,在主观视觉和客观指标两个方面都有较好的效果。