随着深度学习的不断发展,神经网络,尤其是卷积神经网络已经广泛应用于各种计算机视觉任务中,与此同时,在传感器技术飞速发展的背景下,多类型传感器已经部署到大量应用中,比如视频监控和自动驾驶技术。因此,本文研究了基于CNN和小波变换的低光照图像增强算法,同时提出了一种基于多传感器协同和CNN的视频编码新范式。本文的主要贡献如下:1.在低光照条件下拍摄的图像动态范围较窄,色调较暗,信噪比低,而且图像中所含有的噪声会严重降低图像质量。离散小波变换作为一种可逆变换,能够将图像分解为低高频子带而不会丢失信息,从而最大限度地减少冗余。因此,本文提出使用基于小波变换的卷积神经网络对低光照图像进行增强和去噪,通过将离散小波变换与卷积神经网络相结合（即基于小波的CNN）以实现子带自适应处理。实验结果表明,所提出的方法在有效实现低光照图像增强的同时消除了噪声,并且在视觉对比和定量测量方面都优于最先进的方法。2.本文提出了一种基于多传感器协同以节省比特的视频编码新范式（NPVC）。传统的视频编码方法通过去除视频中的冗余来节省比特。近年来,由于多传感器数据相较单一传感器数据具有显著优势,多传感器逐步应用于计算机视觉问题的解决方案中。本文利用多传感器协同提出了一种视频编码新范式来节省比特,并通过基于色彩和深度传感器的3D视频编解码器来进行验证。基于彩色和深度图像之间的相关性,本文在所提出的NPVC框架中设计了两个网络CNN-US和CNN-QE来分别用于实现深度图像超分辨和质量增强,通过NPVC框架将CNN-US和CNN-QE与3D-HEVC编解码器相结合来实现利用多传感器协同以节省比特。在3D-HEVC测试序列上,所提出的NPVC框架在采样因子1、2、4的情况下同3D-HEVC锚相比分别平均降低了5.9%、66.8%和71.0%的BD率。