近年来,随着深度学习的研究不断深入,基于深度学习的图像处理技术也不断发展。本文以低照度图像去噪和增强研究为背景,在学习卷积神经网络的基础上对低照度图像处理技术展开研究。在分析传统图像去噪算法、增强算法的基础上,研究了近年来流行的经典神经网络模型,并进行了对比。本文最终选择卷积神经网络模型U-Net和CAN进行低照度图像处理研究,重点包括低照度图像的前期预处理模块,卷积神经网络语义分割模块和后期超分辨率重建模块。本文的主要工作如下:首先,对低照度图像进行前期处理,本文选择开源低照度图像数据集SID(See-in-the-Dark),数据集包含低照度短时曝光照片和与之对应的长时曝光照片,由于低照度短时曝光照片几乎为黑色,所以在前期进行黑色水平提取操作以及放大操作来提高图像亮度;其次,对前期处理过的图像进行像素语义分割,分别采用卷积网络U-Net和CAN进行研究,根据网络结构的特点,在网络优化方面,U-Net采用自适应学习率算法Adam进行参数更新,CAN网络采用批标准化优化策略。最后,为了提高图像的分辨率,采用ESPCN超分辨率重建提高图像分辨率。同时,论文使用峰值信噪比(PSNR,Peak Signal to Noise Ratio)和图像自相似(SSIM,Structural Similarity Index)进行图像质量的评价。本文基于Ubuntu系统的Tensorflow环境进行实验,对实验结果进行分析评价。实验表明,相比于传统图像处理线程和去噪算法,论文采用的端到端基于卷积神经网络的低照度图像处理线程,实现方法简单,得到的图像质量更高。且基于U-Net网络模型处理的图像具有更高的峰值信噪比,对极低照度的图像处理有明显的优势。