低光照图像增强作为计算机视觉领域重要的前处理任务之一,为低光照环境下的高层视觉任务的可靠性和鲁棒性提供基础的保障。本文从研究低光照图像增强算法的超调现象和增强图像的失真问题出发,探究面向低光照增强的图像表观分析方法,提出基于低光照增强图像表观分析的质量评价算法及低光照图像增强算法。同时,在促进国产深度学习平台发展方面,本文做了一系列算法复现和移植的工作。本文的主要研究工作和创新如下:（1）面向低光照增强的图像质量评价算法:本文从研究低光照增强图像表观特征出发,模拟人类视觉系统感知特性建立面向低光照增强的图像表观分析模型,提出了一种面向低光照增强的图像质量评价算法。该方法通过本征分解网络分离图像底层视觉信息,设计分层特征提取模块提取图像中、高层视觉特征,利用权重可学习的质量度量模块自适应评估图像质量评分。实验结果表明,本文提出的面向低光照增强的图像质量评价算法展现了超越普通图像质量评价算法的低光照增强图像质量感知能力。（2）基于低光照增强图像质量评价的低光照增强算法:针对低光照图像增强算法的超调效应和噪声抑制能力弱的问题,本文模拟人类视觉系统的注意力机制,构建了视觉注意力网络识别图像光照强度分布,结合面向低光照增强的图像表观分析方法,建立了低光噪声图像分解模型,提出了一种噪声感知的低光照图像自适应增强算法。实验结果表明,本文提出的噪声感知的低光照图像自适应增强算法可以有效消除低光照图像的噪声,自适应的增强图像亮度,提升低光照图像的质量。（3）跨平台工程实现:针对深度学习框架领域可能存在的技术卡脖子的问题,本文算法除了在主流的Py Torch深度学习平台实现外,同时在华为Mind Spore国产深度学习平台实现。实验结果表明,在Mind Spore和Py Torch两个不同平台实现的本文算法在算法性能上相差不大。本文面向低光照增强的图像质量评价算法在Mind Spore平台实现的开源代码链接:https://gitee.com/mindspore/contrib/tree/master/papers/LIE-IQA。