多光谱图像由于具有图谱合一的特性被广泛应用于海洋监测、地质勘查、森林防火、医疗诊断、军事侦察等领域。受限于成像机制,成像系统往往会在光谱维进行分光,从而造成每个通道的光通量过低、曝光较弱。因此,在实际应用中,对低曝光光谱图像进行增强就显得至关重要。然而,现有算法普遍存在偏色问题。而光谱特征又是光谱图像的关键性指标,其准确度将直接影响光谱图像的实际应用效果。因此,研究如何实现低曝光光谱图像增强对进一步挖掘光谱图像在各个领域的巨大应用潜力具有重要意义。针对此问题,本文围绕图像增强算法、光谱成像机理及注意力机制展开深入研究,提出了一种全新的低曝光光谱图像增强方法。该方法不仅可以准确解耦光照和物体的光谱特征,而且面向光谱保真完成了端到端的增强。本文主要研究工作及贡献如下:（1）对常用的图像增强算法进行了分析研究:基于Retinex理论的算法由于受限于其对光照和反射的解耦描述,增强结果存在区域性偏色问题。基于深度学习的方法则受限于无法对图像特征图进行选择性滤波,同样存在增强后的图像存在偏色问题。（2）提出了光谱归一化损失函数:为了从网络约束的角度保证增强前后的光谱特征的一致性,本文深入挖掘了光谱图像的成像机制,分析了光谱数据的影响因素,推导出长、短曝光条件下的光谱归一化等量关系,提出光谱归一化损失函数。为进一步从网络模型的角度对光谱特征进行显式保持,本文还基于注意力机制的思想,提出并设计了能够进行空间和谱间显式加权的增强模块,该模块能够对图像的特征图在空间和谱间两个维度进行有偏好的加权从而有助于网络对光谱特征进行保持。（3）提出了基于注意力机制的低曝光光谱图像增强算法:本文通过设计自编码结构的网络框架,结合所提出的增强模块,构建了低曝光光谱图像增强网络。为评估模型的性能,本文首先在常用的低曝光RGB（可视为3通道的光谱图像）彩色图像数据集（LOL）上进行训练和测试,并且与现有典型方法进行了分析对比。实验结果表明,本文提出的方法在保持增强效果的前提下,克服了其他方法的色彩失真问题,具有良好的谱间保真能力。为验证该模型在更多通道光谱图像上的实用性和有效性,本文拍摄并贡献了一个高光谱图像数据集,并在其上进行了大量训练和测试实验。客观和主观的评价指标均表明本文提出的方法不仅能够实现低曝光光谱图像的有效增强,而且能很好地保证图像的光谱特征准确度。