伴随着拍摄设备的日渐普及,图像在人类社会发展中扮演着不可替代的角色。图像不仅可以记录日常生活,而且在工业上也有广泛的应用,所以获得视觉效果良好的图像是非常有必要的。在实际拍摄的过程中,有许多外界或者内在的因素会影响图像拍摄的质量,其中光照环境是一个重要的因素。在低光照条件下获取的图像具有亮度低,噪声大,细节纹理缺失等缺点,不能满足使用需求。低光照环境是无法避免的,虽然可以在拍摄硬件方面入手提高图像质量,但是成本过高让人无法接受。目前对得到的低光照图像进行增强是一个热门的研究方向,本文主要使用了深度学习对低光照图像进行增强,具体的工作包含:第一章主要是低光照图像增强的有关背景,第二章对图像增强和深度学习做了较为详细的阐述。在第三章结合了U-net和残差网络提出了前端稠密神经网络对低光照图像进行增强,该网络可以有效的利用输入图像的原始信息。神经网络对低光照图像进行增强之前添加了预处理,对低光照图像的像素值加上一个固定值,将低光照图像的亮度提升到正常光照拍摄得到的图像的亮度。预处理可以有效的提高输入图像的质量,提高神经网络的训练结果。在第四章主要是使用Retinex理论构建基于Retinex理论的增强网络。网络分为两部分,第一个子网络采取第三章提出的方法,可以得到色彩饱和的图像,但是纹理边缘还有所欠缺。第二部分是分解网络,该网络可以得到图像的反射图,反射图具有良好的边缘纹理信息。两个网络使用了同样的设计理念,尽量的使用原始图像的信息从而获得更加真实的结果。将这两个网络输出的图像一起输入到引导滤波器中,能够获取进一步增强的输出图像。经过实验对比验证,本文提出的方法可以对低光照图像进行有效的增强获得令人满意的效果。