由于眼底视网膜有丰富的动脉、静脉以及毛细血管,所以眼底图像被广泛应用于青光眼、黄斑变性、糖尿病性视网膜病变、高血压、动脉硬化等各种心血管和眼科疾病的诊断、筛查、治疗和评估。近年来,远程医疗的发展减小了偏远地区与发达地区的医疗资源差距。眼底图像作为辅助医生和计算机诊断的主要媒介,在远程医疗中起到了重要作用。然而,困于硬件设备与操作技术要求,加上强曝光会降低病人的就医体验,基层得到的眼底图像质量偏低,即大多存在曝光不足的问题。曝光不足的低光照眼底图像存在颜色失真、模糊、对比度低、高噪点等问题,需要进一步的图像增强处理。眼底图像增强技术可以满足低光照眼底图像的增强需求,进而实现病人体验与远程就诊准确率的双重提升。在眼底图像增强这一领域,目前主流的研究方法是传统图像处理方法,传统方法只能增强单一眼底疾病的图像。基于深度学习的方法可以获得更强的增强性能和更好的泛用性。由于缺少数据集,大多数研究集中在有配对图像的白内障眼底图像增强,缺少无配对的眼底图像增强的研究。因此本文提出了一种无需配对图像的自监督深度学习网络,不需要成对的眼底图像数据集即可实现对单张低光照眼底图像的增强。本文的主要创新点包括以下两点:1.本论文建立了本领域第一个低光照眼底图像数据集。目前,本领域缺少低光照眼底图像数据集,本论文建立了一个数据集以方便深度学习网络训练和测试。在Eye Q质量分级眼底图像数据集的基础上,本研究筛选了具有可用标签的低光照眼底图像,制作了低光照眼底图像的数据集。数据集包含有800张低光照眼底图像,其中600张是训练集,200张是测试集。每张低光照眼底图像都有专业医生标注的DR分级标签。2.本论文提出了一种基于注意力机制和对比学习的PE-GAN网络。为了获得特定区域特征,本论文设计了带有注意力机制的U-Net网络作为GAN网络的生成器;然后,使用全局和局部鉴别器来分辨整张眼底图像和局部的图像块,以实现不同区域的动态增强;最后,本论文为了获取细粒度特征,还引入了对比学习模拟正常光照眼底图像来实现低光照眼底图像增强。实验证明,本论文的方法可以很好地完成低光照眼底图像增强。定量和定性分析比较显示,本论文的方法的性能优于其他眼底图像增强方法,并且对白内障低光眼底图像也有较好的增强效果。