在黄昏、夜晚以及阴影遮挡等复杂光照条件的影响下,成像设备所采集的图像通常存在亮度低、色彩失真等问题,导致图像视觉效果变差,退化成为低光图像,严重影响了计算机视觉系统的性能。通过对低光图像进行增强处理,能够有效改善图像质量,为高级计算机视觉任务提供优质输入,提高系统性能。因此,对低光图像增强算法的研究工作具有重要意义。本文将围绕低光图像增强展开相关的研究工作。首先,论文介绍人眼视觉成像原理、色彩恒常性理论、Retinex视觉理论及其在图像增强中的应用。详细说明各类图像增强算法与相关的深度学习知识。最后,基于Retinex视觉理论与图像金字塔,同时结合深度神经网络提出一种适用于多任务、多场景的低光图像增强算法——轻量多尺度Retinex网络。该算法从图像的空间多尺度表示出发,通过设计多种网络子模块,充分发掘并利用图像的多尺度特征信息。算法首先设计提取模块独立地估计不同尺度下的初始光照,并在融合模块中遵循渐进式融合策略对初始光照进行跨尺度特征融合,最后利用恢复模块对融合光照进行整合与平滑处理,获得精细光照,并依据Retinex理论消除外界光照的不良影响,获得图像增强结果。本文利用多种低光数据集对提出的网络模型进行充分训练,以使其对多场景低光图像具有较强的鲁棒性,并分别在合成与自然低光数据集上进行对比实验。结果证明,相较于其他图像增强算法,本文所提算法能够对多场景低光图像进行有效增强,提高图像视觉质量。此外,由于网络能够并行计算,因而算法复杂度低,具有实用价值。