随着科技的发展,图像作为重要的传输媒介之一,在人们日常生活和军事领域等,均有着举足轻重的作用。然而,由于成像设备、外界环境条件和人们操作不规范等原因,获取的图像质量往往难以满足人们的使用要求,存在着对比度低、分辨率不足的问题。图像增强是图像预处理阶段的一个重要步骤,可以有效地提升图像质量如增强图像对比度、提高分辨率。目前的图像增强方法大多只注重于单一的图像增强处理如图像对比度处理和超分辨率重建,然而图像退化是一个复杂的过程,其中可能包含多个退化模型,因此以往的图像增强工作很难有效地从各方面综合提升图像的质量。近年来,随着深度学习的蓬勃发展,研究者们不断提升其图像特征提取处理能力使得综合考虑图像退化模型的方法成为可能。但是,对于混合退化的增强还是存在着几个问题,包括:传统非机器学习方法无法处理混合退化模型;基于深度神经网络的方法处理不同的退化图像时存在网络结构互斥的现象;现有图像增强数据集只包含针对单一退化情况的图像。因此,本文针对上述问题,采用了基于卷积神经网络的深度学习方法,从图像对比度和分辨率的角度对图像进行增强,使得训练后的网络模型拥有更加强大的适应性,从而更好地提高图像整体的视觉感受。首先,本文分析了图像对比度下降和分辨率不足的形成原因,根据退化模型指导深度神经网络的模型框架的创建;其次,本文借鉴残差网络（Res Net）的非近邻连接方式和差值学习方法,根据需求改进密集网络（Dense Net）的结构,引入扩展卷积（Dilated Convolution）以增加感受野,补充网络模型的细节;再次,根据已有的图像增强数据集,创建拥有更加复杂和更多退化类型的图像数据集;最后,通过与其他最新的研究进行对比实验,证明了本文的网络模型在图像对比度和分辨率上分别接近甚至超过最新的研究方法,同时可适应更加复杂的退化情况。