随着科技的火热发展,图像数据在现实生活中与日俱增,但现实环境复杂,在某些特殊情况下光照条件不佳,导致图像的亮度无法令人满意。因此,需要利用低光照图像增强技术,对图像进行进一步的处理,以得到更好的特征和视觉效果。现有的低光照图像增强技术一般是采用传统图像处理方法,这些传统方法很多是针对特定方面增强,容易增强过度,导致色偏严重和细节丢失。近年来基于深度学习的方法可以学习到图像处理很多细节信息,从而解决了传统方法的不足。然而,现有的深度学习模型利用的都是特定场景的数据集,模型泛化能力不强。因此本文以提高深度学习模型的泛化能力为切入点,结合生成对抗网络进行低光照图像增强技术的研究。本文主要在EnlightenGAN为基础的模型上进行优化改进,提升了模型的泛化能力和增强效果。本文主要改进点如下:（1）针对EnlightenGAN模型生成图像时亮度部分只考虑了全局注意力,没有考虑到局部注意力,因此,本文提出了一种基于EnlightenGAN的全局和局部注意力的模型EnlightenGAN v1,通过对图像整体亮度与局部亮度的值进行加权平均,用这个均值亮度注意力代替以前的整体亮度注意力,并且对EnlightenGAN的注意力函数进行了改进,不在用简单的1-I,而采用较为合适的sigmoid（1-I）,这样就能更加准确的反应图像亮度的注意力权重,从而可以更好的提升模型效果。通过设计不同的对比实验,在自然图像评估器（NIQE）中取得了更好的效果,在用户调研的实验中也得到了最好的评价,相比CycleGAN和EnlightenGAN效果提升显著。（2）针对EnlightenGAN v1模型的生成网络U-net没有考虑到在特征提取阶段浅层特征和深层特征都很重要的问题,生成网络用U-net++替换原始的U-net,因为U-net++能够有效的提取浅层特征,让浅层特征与深层特征共同发挥优势。此外本文对损失函数进行了组合,结合不同损失函数的优点,可以让生成对抗网络捕获低光照图像更多的纹理特征,学习图像纹理,更好的实现低光照图像增强。本文从lol等数据集中筛选合适的数据进行了实验,从实验直观效果和自然图像评估器两方面来看,相比EnlightenGAN和EnlightenGAN v1效果都有明显的提升。