实际生活中采集的图像由于光照环境、图像采集设备、拍摄人员的不稳定性通常存在不同程度的低光照或光照不均匀等情况,制约了其在跟踪和检测等计算机视觉任务中的作用。因此通过图像增强算法提高图像的对比度和信息丰富程度,并降低噪声具有重要的现实意义。现有的图像增强方法往往存在亮度提升不明显、亮度提升过强、图像暗区域细节恢复不完全、图像亮区域细节丢失等问题。针对这些问题,本文提出了两种图像增强算法分别实现亮度的自适应提升和光照不均匀图像的细节恢复。本文的主要研究内容和成果如下:1.提出基于自适应调节卷积的图像增强方法。所提方法首先构造一个包含两种不同照度（较暗/极暗）的低光照图像数据集。然后利用照度较低的图像对基础增强网络进行训练,分别从低频内容、高频细节和图像整体三个层面提高图像质量。之后固定基础增强网络的参数,通过引入自适应卷积模块得到基于自适应调节卷积的图像增强网络,并利用照度极低的图像更新自适应卷积模块的参数,提高网络对不同光照程度图像的适应性。对不同光照程度的低光照图像增强的实验结果表明,所提方法结果优于六种代表性方法,有效提升了极暗光照图像的亮度,避免了对较暗光照图像过度增强的问题,提高了图像的色彩饱和度,并且能够恢复图像中的细节。2.提出基于视网膜理论（Retinex）分解和自适应伽马校正的低光照图像增强方法。以提升图像的亮度、增强图像的细节信息为目的,本文提出一种包含图像分解和图像重建两个阶段的图像增强方法。在图像分解阶段,所提多尺度分解网络基于Retinex理论将图像分解为光照层和反射层,分别包含图像的亮度信息和细节信息。在图像重建阶段,分解得到的光照层经过自适应伽马校正网络得到亮度自适应优化且结构光滑的校正光照层;分解得到的反射层经过细节增强网络得到细节更加丰富且色彩饱和度提高的反射层。校正后的光照层和增强后的反射层融合后得到最终的重建图像。定量和定性实验表明,所提方法优于六种代表性方法,能够有效处理复杂光照图像,对不同照度的低光照图像都有较好的增强效果,能够提高图像对比度、恢复图像的细节、去除干扰噪声。