随着科学技术的迅速发展,人类对视觉图像质量及其应用的要求变的越来越高。由于受成像设施限制,图像质量难以满足应用需求,迫切需要应用图像增强技术与方法提高图像质量。论文在广泛阅读与调研国内外图像增强方法的基础上,针对目前图像增强方法主要存在图像细节信息易丢失、增强程度不易控制、易过增强或欠增强以及难以满足实际应用等问题开展了深入研究,提出了如下主要创新性方法:提出了基于子图像直方图均衡的图像增强方法。基于图像亮度分量的均值和方差递归分割输入图像的直方图为若干片段,分别对各段直方图进行修改和均衡,以克服图像高频信息占主导导致的图像细节信息丢失问题;同时,为解决由非均匀光照引起的强度和干涉的饱和问题,对处理后的图像亮度分量进行标准归一化处理,并采用级联图像融合策略增强图像。通过分析实验结果可知,所提出的算法在增强图像对比度的同时,还具有保持图像亮度和纹理细节的显著特点。提出了一种基于信息熵自适应图像增强方法。根据图像直方图的信息熵递归分割输入图像直方图并进行子直方图动态范围重新分配,避免灰度级合并从而导致图像纹理细节信息丢失问题;同时,采用自适应概率密度函数调整策略,自适应调整图像增强度防止图像局部过增强和局部噪声放大等,从而可使图像在宽动态范围内仍具有性能优异的图像强度等级分布。通过与基于直方图的最新算法进行比较,结果表明:上述方法不仅可有效增强图像对比度,而且也可保持图像细节。提出了一种基于自适应伽马校正与非线性变换的图像增强方法。基于人类视觉感知机理,采用指数-对数函数策略自适应赋予图像明/暗区域不同权重,对图像亮度分量进行处理,避免过增强和欠增强现象;同时,为拓宽图像亮度的动态范围,采用非线性归一化变换策略,调整图像灰度值的动态范围。实验结果表明,所提方法不仅可有效抑制图像累计分布函数曲线变化过快趋势,且可有效避免图像细节信息丢失问题。提出了一种基于派生图和Retinex机制深度学习图像增强方法。首先,采用浅层图像增强方法获取弱光照条件下的图像派生图,利用深度卷积神经网络对光照分量进行训练学习,通过训练学习低光照图像和正常光照图像之间的亮度分量,获取端到端的映射关系,实现经深度增强网络的图像增强,克服弱光照条件下的图像整体亮度偏低、暗区域细节不清晰等问题。实验结果表明,经上述方法增强处理后的图像不仅具有丰富的纹理细节,且同时具备更佳的对比度和良好的视觉效果。提出了一种复杂光照环境下的人体身份认证方法。基于朗伯光照反射模型,采用一种新的光照不变量提取方法获得人脸面部光照不变性特征,且该方法对光照变化较为不敏感;同时采用快速均值滤波和非线性归一化变换策略,进一步增强人脸面部纹理细节,基于机器学习分类方法识别人体身份;为进一步提高人体身份识别性能,采用Log-Gabor滤波器获得不同尺度和方向的Log-Gabor特征图像,提取人脸面部图像的LBP浅层特征,通过深度置信网络Deep Belief Network（DBN）自下而上自动提取人脸面部深度纹理特征,进行基于人脸面部深度特征的分类识别。实验结果表明,所提方法在光照、表情、姿态和遮挡等因素影响的复杂光照条件下仍具有优异的识别性能。