在数字化时代,人们对高动态范围（High Dynamic Range,HDR）图像有了更大的需求。基于深度学习的HDR图像生成算法受到更多研究人员的关注。当前通过低动态范围（Low Dynamic Range,LDR）图像重建出HDR图像的方法主要分为单帧LDR图像重建出HDR图像和多帧LDR图像重建出HDR图像。但是目前这两种方法都有一定的局限性,通过单帧LDR图像生成HDR图像难点在于单帧LDR图像信息量少,当图像中存在过曝光区域时,重建的HDR图像在对应区域可能产生亮斑;通过多帧LDR图像生成HDR图像难点在于,当图像中存在移动物体时,多帧图像难以对齐,导致最终重建的HDR图像中存在伪影。针对以上问题,我们分别对单帧和多帧HDR生成网络进行了一定改进,在单帧HDR图像生成网络中加入混合域注意力机制和生成对抗网络,在多帧HDR生成网络中改进主干网络并加入掩膜分支网络来提升重建的HDR图像的质量。我们的研究结果可以总结如下:（1）针对单帧HDR图像生成网络在图像高光和低光区域重建效果欠佳的问题,我们向网络中引入混合域注意力模块,加强了网络对高光和低光区域中细节特征的注意力,增强了重建的HDR图像在高光区域中细节表现,同时抑制了低光区域中噪声的干扰,提升了重建的HDR图像的质量。（2）针对单帧LDR图像重建的HDR图像可能产生色彩偏移,本文尝试将生成对抗网络应用到HDR图像生成任务中,同时为了选择最适合本任务的对抗损失函数,进行了消融实验后,采用了相对对抗损失函数来指导生成网络重建出与真实图像更加一致的图像。（3）为了提高重建的HDR图像的清晰度,本文将感知损失函数加入到训练模型中,提高了单帧和多帧LDR图像重建的HDR图像的清晰度。（4）针对多帧LDR图像重建的HDR图像容易产生伪影的问题,我们设计了深度更大的主干网络,在下采样的过程中降低了噪声和形变等扰动带来的干扰,同时加入掩膜分支网络通过分离模块补充重建的HDR图像的细节和亮度信息,降低了伪影的影响,进一步提升了重建的HDR图像的质量。最后,我们在单帧和多帧HDR图像生成研究中分别进行了实验,通过客观指标和主观视觉评估,我们的模型提升了重建的HDR图像质量,更接近真实图像。