随着显示器硬件制造水平的提高以及人们对显示器视觉质量需求的提升，数字显示器已经逐渐可以显示具有高比特深度的高动态范围内容，以提供更多、更细致的颜色表示，提高图像显示的视觉质量。然而，受限于图像采集设备，大多数图像视频以低比特深度形式存储。当这些低比特深度图像经过简单处理后直接在高比特深度显示器上显示时，图像的颜色平滑渐变区域会有明显的伪轮廓，降低了视觉质量。因此，研究合适的图像比特深度增强算法具有重要的研究价值。本文基于深度学习对图像比特深度增强算法进行研究，主要的研究内容和创新成果如下：
　　1)本文首次提出了一种基于深度神经网络的端到端的图像重建算法，并在模型中引入跳跃连接，结合网络的低层和高层特征，抑制了训练过程中的梯度消失问题，以恢复更高质量的高比特深度图像。算法重建高比特深度图像的主观效果超出传统算法，峰值信噪比超出传统算法约0.4dB。
　　2)针对深度神经网络的特征融合问题，本文提出串联各层特征的网络结构，将低层网络中的细节特征直接传递到高层。相较于前面算法采用的相加跳跃连接的融合方式，该方法可以在反向传播中提供额外的稳定梯度，帮助模型收敛。另外，通过分析残差图像与高比特深度图像之间的结构关系，本算法提出重建残差图来间接恢复高比特深度图像，进一步提高算法性能。这不仅能提升高比特深度图像主观质量，且峰值信噪比超出传统算法约3.9dB。
　　3)神经网络在训练过程中依赖于合理的损失函数，然而简单的基于像素独立计算、或基于预训练特征的评价方式难以合理全面的衡量重建图像的质量。因此，本文提出采用鉴别网络全面评估重建图像的真实程度，并在对抗式学习中提高生成网络的有效性。实验结果证明，该算法重建图像的主观质量优于国内外传统算法，且峰值信噪比提升了约4.5dB。