由于拍摄条件的限制,许多情况下,图片都是在光照条件不好的情况下得到的,这些图片除了降低图像的视觉美感之外,还可能对许多计算机视觉和多媒体算法的性能产生影响,而当前大部分算法主要是为高质量输入而设计的,因此低照度增强成为图像处理领域中的热点问题。目前低光图像增强主要面对三个方面的问题:首先,用于深度学习中训练的同一场景下配对的低光与正常光图像难以获取;其次,现有的低光增强技术忽略了局部特性,对于图像的局部特征往往不能很好的保留。最后,现有的用于低光图像增强的数据集缺乏实时数据,其应用价值难以得到验证。围绕上述问题,论文提出了基于生成对抗网络的注重局部特征保留的非配对低光图像增强技术,主要从三个角度进行增强:使用非配对低光增强技术;加入局部特征保留部分,同时避免对局部特征块进行局部特征提取与保留时存在的块效应;引入实时摄像头数据。本文的主要研究点与贡献如下:（1）提出滑动窗口驱动的局部特征保留低光图像增强技术解决以往低光图像增强中局部特征被忽略的问题。针对现有的低光增强技术局部特征没有被很好的保留的问题,本文提出引入局部感知损失,使用滑动窗口获取局部特征块,每次针对一个特定的块进行优化,将处理过的图像块与原图对应的块一同输入预训练网络以更多的保留颜色、内容等低层特征,多次迭代以后不仅整幅图像的每个局部都得到了优化,更多的保留了细节,而且一定程度上消除伪影。同时滑动窗口避免了对图像局部块进行处理时存在的块效应的问题,进一步提高了图像增强后的质量。实验结果表明本文方法增强后的图像按照本文选取的主客观评价标准打分,明显优于其他方法。（2）引入循环一致性生成对抗网络使用非配对图像作为数据集降低数据集获取的难度。在进行低光图像增强时获取大量配对图像通常费时费力,而现有的无监督的低光增强算法,在没有监督的条件下,训练过程比较困难,难以快速达到理想状态,常常会由于训练不稳定而导致模式崩溃。针对这一问题本文提出一种非配对的低光图像增强算法,利用生成对抗网络中的循环一致性损失作为监督条件保证增强后的图像与原图在整体上保持内容与结构的一致性,节省了大量的人力物力。（3）引入大量的实时摄像头数据作为本文的训练集和测试集。针对现有的低光增强算法往往是在特定数据集下训练的,在实时监控数据上往往不能取得很好的增强结果这一问题,引入实时摄像头数据进行训练和验证,提高了模型的实用性。