近年来,计算机视觉技术被广泛运用于铁路安全检测,具有准确性高和可实现非接触检测等优点。然而,在隧道和夜间等低照度环境下,因采集到的图像降质严重,导致特征提取困难,限制计算机视觉系统发挥效用。为提高计算机视觉系统在铁路低照度环境下工作的可靠性,实现铁路检测系统的全天候工作,有必要对铁路低照度图像增强技术进行研究。首先,分析现有的铁路低照度图像增强算法,指出现有算法存在两个问题。第一个问题是:采用耗时较长的暗通道先验去雾算法增强图像中的低照度区域,造成算法实时性较差;第二个问题是:利用阈值分割等方法对图像中的高亮区域进行处理,固定的阈值适用范围有限,一旦低照度场景发生变化,阈值分割可能失效,导致算法的适用范围有限。针对现有算法存在的问题,结合铁路低照度图像的特性,提出一种基于改进All-in-One Dehazing Network(AOD-Net)的铁路低照度图像增强方法。接着,分析AOD-Net去雾算法,指出其存在的问题,并做出改进:针对AOD-Net感受野过小、不利于提取大尺度特征,导致去雾后可能存在光晕现象的问题,引入混合空洞卷积,在不增加计算量和不降低分辨率的前提下,扩大卷积神经网络的感受野;针对AOD-Net平等对待不同层次特征的问题,设计特征融合模块,赋予不同层次特征以不同权重。为验证改进AOD-Net去雾算法的有效性,进行对比实验,实验结果表明改进AOD-Net去雾算法的去雾效果更好,且实时性优于暗通道先验去雾算法。最后,将改进AOD-Net去雾算法增强铁路低照度图像,针对图像中高亮区域出现过度增强的问题,采用伽马变换处理低照度图像,以提高高亮区域的对比度,利用图像融合技术将伽马变换增强的图像和改进AOD-Net去雾算法增强的图像进行融合,以消除光晕效应,实现低照度图像的整体增强。为验证本文算法的有效性,在铁路低照度图像上进行对比实验,实验结果表明本文算法在对比度提升、细节信息恢复、实时性和适用范围等方面都要优于现有的低照度图像增强算法。