当今社会数字信息化愈来愈普及,人们每天都要从外界接收海量的信息,从中提取出自己感兴趣的信息。图像是人们传递、获取和处理信息的主要方式之一。图像的成像质量往往受外界条件的影响,如“天网”系统在夜间或天气原因使光线变弱等情况下,都会造成成像质量下降或只能照亮部分区域,使采集到的图像曝光不均匀,图像局部区域信息被黑暗遮挡,严重影响对天网图像的处理。基于深度学习的弱光图像增强是一种图像处理系统通过学习使弱光图像恢复成正常光照图像的变换过程,这是人工智能技术的应用。这一技术的应用,一方面比用提高硬件设备性能改善图像质量极大降低了成本,另一方面能够智能地处理大规模低质量图像,对高级的图像处理任务如目标检测和图像识别具有十分重要的意义。针对弱光图像中的强噪声干扰问题,提出了一种联合分解与去噪的弱光图像增强方法。首先,基于U-net模型结构,通过调整采样层结构构建了一种联合分解与去噪U-net网络（JDEU）,将输入的弱光图像分解为包含噪声的反射率和光照。将无噪声的参考图像近似参考的反射率,利用反射一致性恢复预测的反射率颜色和整体结构,利用结构相似性加快抑制反射中的噪声。然后,预测的初始光照输入多尺度亮度增强网络提高光照强度。最后,将去噪后的反射率与增强后的光照融合成为增强图像。大量的实验表明:所提出的方法不仅抑制噪声效果显著,还能很好得保留结构细节信息。针对实际应用中配对的参考图像很难获取,严重影响弱光图像增强技术在不同场景中的增强能力,提出了一种基于多分支分解网络的色差最小化Retinex分解与增强方法（Cvm D-net）,无参考地增强弱光图像。首先,根据图像的固有属性,使用一种基于直方图均衡化的输入恒常特征先验机制（ICFP）,采用弱光图像的平均强度特征近似参考图像并引导分解与增强过程。其次,根据反射率和光照各自不同的维度特点,构建了一种多分支分解网络,使用不同的子网络同时预测弱光图像的反射和光照,根据输入图像和反射率之间的色差最小化约束反射中的颜色和噪声。最后,参考输入图像的平均亮度强度增强预测的初始光照。大量的实验表明:所提出的方法在没有参考图像的情况下能很好地改善原始图像的质量,在多个真实的场景中表现出良好的效果。将以上方法应用到天网视频监控图像处理平台上,使用夜间“天网”图像测试平台中的图像增强系统。实验表明:本文的方法对提高“天网”系统夜间图像的质量非常有效,给公安夜间侦查提供了便利。