图像是计算机视觉系统感知外部世界的重要信息来源,其质量的高低对后续计算机视觉任务的精度有着重要影响。然而,在阴天、夜晚等无法规避的低光照场景中捕获的图像,往往存在亮度和对比度低、纹理细节丢失以及噪声强烈等低质量问题。为提升低光照图像质量,现有研究基于图像传统先验或深度神经网络建立了低光图像增强模型,并取得了极大成功。然而,现有低光图像增强模型仍存在以下问题:1)忽略图像的纹理细节恢复,导致增强后图像存在纹理细节损失问题;2)未有效利用图像色彩信息,导致增强后图像存在色彩失真问题;3)增强过程中暗区域噪声被放大,导致增强后图像噪声分布更加复杂;4)过于关注图像亮度和对比度的全局增强,使图像局部区域过曝光或欠曝光,导致增强后图像存在光照不均匀问题。基于上述问题,本文主要开展以下研究:首先,针对现有模型增强后的图像存在纹理细节损失和色彩失真问题,提出了一种基于结构与纹理感知的低光图像增强方法,通过分析低光图像的全局结构和局部纹理特征的差异性,设计精细轮廓图引导的滤波器将图像分解为保留大尺度结构的全局结构特征分量和包含精细细节的局部纹理特征分量,并构建结构与纹理感知模块分别处理提取的结构与纹理特征,实现恢复全局结构信息的同时保留丰富的纹理细节信息。此外,提出颜色损失函数,有效缓解图像的色彩失真问题。大量的实验表明,本文提出的方法能有效地提高图像视觉质量并获得具有丰富纹理细节和高色彩自然度的增强结果。其次,针对增强过程中噪声放大问题,提出一种基于放大噪声图引导的低光图像增强方法,通过残差模块持续地估计增强过程中近似的放大噪声图,并将之用于指导去噪模块训练,以实现增强图像的同时去除被放大的噪声。大量的实验结果表明,本文提出的方法对低光图像增强过程中被放大的噪声,具有显著的抑制效果,能产生低噪声的高质量增强结果。再次,针对现有模型增强后的图像存在图像光照不均匀和边缘细节损失问题,提出了一种基于层次特征挖掘的低光图像增强方法,通过探索光照和边缘细节特征与网络层次特征之间的频率分布关系,构建特征挖掘注意力模块,并采用分层监督在最适宜的网络层中挖掘光照和边缘关键特征,实现亮度和对比度增强的同时还保持均匀的光照和清晰锐利的边缘细节。此外,提出非配对对抗损失函数,缓解深度监督引起的过拟合问题。大量的实验和分析表明,本文提出的方法能产生具有均匀光照和丰富细节的增强结果,且在图像质量方面优于其他方法,实现图像PSNR提升12.5%,SSIM提升3.5%。最后,针对实际场景任务开展系列低光图像增强方法应用研究,通过将本文提出的低光图像增强方法分别与夜间人脸检测任务和基于无人机的夜间行人检测任务相结合,实现夜间人脸检测准确率和基于无人机的夜间行人检测准确率大幅提升,同时获得更高的图像视觉质量。综上所述,本文针对现有低光图像增强模型增强后图像所存在的问题,基于深度神经网络模型,提出更有效的低光图像增强方法,进一步提升了低光图像质量,通过在广泛的公共数据集上与现有低光图像增强方法进行比较,验证了提出的低光图像增强方法性能的优越性。此外,夜间人脸检测和基于无人机的夜间行人检测任务的应用研究,证明了提出的低光图像增强方法的实际应用价值。