在低光照环境下,成像设备采集的图像往往存在对比度低、细节丢失、噪声干扰等退化问题,不仅影响人们的视觉体验,还降低计算机视觉系统对高层任务的处理性能。因此,低光照图像增强算法的研究具有重要意义和价值。近年来,大量基于深度学习的低光照图像增强算法被提出,并取得了相较传统算法更优的效果。但现有方法都存在一定的局限性,难以同时处理噪声、颜色失真、细节丢失等退化难题。因此,本文结合卷积神经网络与注意力机制,提出两种低光照图像增强算法,旨在通过高效的单一模型来同时解决多种退化问题。本文的主要工作如下:（1）提出联合去噪和色彩变换的低光照图像增强网络。该网络采用轻量级的自编码器作为基础架构,包含一个编码器和一个解码器。在编解码器之间引入跳接操作来融合网络不同层次的信息,缓解因编码器下采样造成的细节丢失问题。在编解码器中均引入残差通道注意力模块,增强网络对重要通道特征的提取能力并加速网络收敛。同时,基于自注意力机制,设计了一种高效的二次分组自注意力模块并将其放在自编码器的瓶颈层,用来提升网络对全局信息的提取能力。此外,搭建一种高性能的联合去噪和色彩调整模块,通过对自编码器输出的增强图像进行后处理来进一步提升视觉质量。最后,通过仿真实验证明了该网络的有效性以及高效性。（2）为进一步提升网络的增强性能,提出基于双注意力的多尺度低光照图像增强网络。该网络采用网格架构作为主干网络,以充分融合不同路径上不同尺度特征图的特征,缓解自编码器的瓶颈难题。同时,在网络中引入通道注意力和全局注意力。首先,对通道注意力模块作出改进,提出一种位置感知的通道注意力模块,通过自适应聚合不同空间位置的特征生成更加合适的通道权重,进而提升网络对不同通道特征的筛选能力。其次,针对二次分组自注意力模块计算复杂度较高且可能引入干扰信息的问题,提出双交叉分组自注意力模块,通过并行建模全局不同方向上相似特征的依赖关系来提升网络的表达能力。实验结果表明,该轻量级网络不仅能显著增强各种场景的低光照图像,还能提升高层视觉任务的性能。