在低光环境下拍摄的图像存在着曝光度不足、噪声过大、图像纹理退化、对比度降低等问题。这不仅影响了图像本身的感知质量,而且严重阻碍了依靠准确语义信息的高级计算机视觉任务的发展。目前,利用深度学习的方法来解决低照度图像问题已经取得了巨大的成功,但一些问题依然有待改进:一、低照度图像中较大的暗区域由于缺乏相关的语义信息往往难以准确增强;二、当前的深度学习方法缺乏对图像全局信息的关注,增强后的图像容易出现颜色的失真;三、深度学习的方法无法准确地区分出图像中噪声信息,处理后的图像中依然存在着较为明显的噪声;四、当前的深度学习方法无法高性能地完成低照度图像增强,即无法在图像增强质量和单图增强时间之间保持平衡。针对上述问题,本文进行了相关研究。为了解决图像中暗区域难以恢复的问题,本文提出了一种多级自引导空洞密集结构来提取图像中的局部特征。该结构通过多层级的空洞卷积来扩大感受野,并利用大范围的语义信息来引导图像暗区域的恢复。针对当前的深度学习方法处理后图像颜色失真的问题,本文设计了一种全局空间信息模块来充分提取图像中的全局信息。该模块能够有效地从图像中获取全局颜色信息,并维持图像的颜色不变性。由于深度学习的方法无法准确地区分出图像中的噪声信息,本文引入了离散小波变换来完成特征图的下采样过程。该方法能将图像中的不同频率信息进行划分,有效地分离出图像的噪声区域。为了加快网络的推理速度,本文进一步设计了一种广度自导小波网络用于低照度图像增强,使用了一种自引导的方式对不同尺度下的输入特征图进行有效地整合。与常见的U-net结构相比,所设计的网络结构参数更少,推理速度更快。此外,为了增强图像的对比度和饱和度,本文还设计了一组多颜色空间的组合损失函数来对网络进行训练。为了验证上述方法的有效性,本文在多个主流数据集上对所设计的结构进行了测试与对比。大量实验结果表明本文提出的方法优于已有的基于卷积神经网络的算法。最后本文还探究了不同低照度图像增强方法对高视觉任务的影响,结果表明所改进的方法在高视觉任务中依然有着较好的应用前景。