作为人与人之间互相交流沟通的一种重要载体,视觉图像已经成为人们获取和交流信息的重要途径之一。随着计算机视觉、机器学习和人工智能技术的不断发展,图像被广泛应用于视频监控、医学诊疗以及雷达遥感检测和识别等领域。然而,由于图像采集设备的局限性和外界环境光照的影响,人们采集到的图像常常存在对比度低,颜色失真,细节信息丢失等问题,这严重阻碍了图像的后续应用。因此,关于如何实现低照度图像增强,获得高质量图像的研究具有极大的研究价值。虽然现有的低照度图像增强方法已有一定的研究成果,但面对局部过暗或信息丰富的低照度图像时,依然会出现图像细节特征丢失和颜色失真的现象。基于上述存在的问题,本文展开对低照度图像增强方法的研究,本文的主要工作内容及贡献如下:（1）本文对低照度图像增强方法的相关理论知识进行详细论述,并对两类经典的低照度图像增强方法进行了深入的研究,对相关方法进行代码复现和实验验证,分析这些方法存在的优点和不足,总结低照度图像增强过程可以借鉴和需要注意的关键问题。（2）针对低照度图像整体亮度过低或局部过暗而导致的细节特征信息丢失,图像边缘细节模糊的问题,本文提出一种基于U-Net的多尺度特征保持的低照度图像增强方法。该方法受Retinex基本模型理论和U-Net网络结构的启发,结合多尺度提取技术,进一步提高网络的特征提取能力。通过保持全局特征相关性的空间一致性函数来解决低层特征和高层语义特征之间的不连续性问题,同时引入一种基于图像亮度、对比度和结构相似性等特征的多尺度结构计算方法,大大缓解了增强后光照不均匀和颜色偏差的现象,使增强的结果更符合人类的视觉感知。大量实验表明,与其他先进的增强方法相比,该方法具有更好的增强效果,并能保留更多的细节。（3）针对低照度图像在极端环境下,出现的细节增强不足与颜色失真问题,提出一种基于U型多尺度网络的低照度图像增强方法。该方法将并行的多尺度特征提取模块与三层的U型网络结构相结合,提高分解网络对输入图像的特征提取能力。引入多尺度网络块替代单一的卷积层,结合U型网络结构实现上下文信息的融合,进一步减少图像增强过程中出现的信息丢失问题。同时,引入颜色损失和多尺度结构相似性函数来保持图像的颜色信息,使输出的图像更加接近真实环境中的图像。实验分析结果显示,本文所提出的方法在低照度图像细节信息提取和颜色校正方面表现优异,具有较好的增强效果。