作为承载信息的重要载体之一,图像在国家重点需求和人类的日常生活中都有着重要的作用。但是由于光照条件、拍摄设备等因素的影响,采集到的低照度图像无法高效传递信息。这些图像往往伴随着对比度低、颜色失真、噪声影响和细节缺失等一系列问题,不但会影响人类的视觉感知,而且限制了基于计算机视觉等的后续处理和应用。因此,开展有关低照度增强算法的研究具有重大的理论意义和应用价值。近年来,基于深度学习的低照度图像增强算法取得了大量进展,但是仍然存在问题与挑战。一方面,目前的大多数算法没有考虑或有效处理真实的低照度图像中存在的噪声问题。另一方面,由于合成数据和真实数据的分布差异,针对真实图像的泛化性能有待提升。针对上述问题,论文以低照度图像为研究对象,利用深度学习对低照度图像增强中面临的问题进行研究,主要工作如下:1)设计一种基于注意力-多分支网络的低照度增强算法。在低照度环境下获取的图像具有低可见度,且由于多种因素的影响,场景中的光照强度会随着空间区域而变化。同时,低照度区域也存在不同程度的噪声干扰。基于此,设计了一种基于注意力-多分支网络的低照度图像增强算法。该算法基于Retinex理论,首先将输入的低照度图像分解为反射分量和照明分量,然后在两个子网络反射复原模块和照明调整模块中分别对反射分量和照明分量进行调整,将调整后的分量对应相乘获得最终的增强图像。在反射复原模块中加入一个轻量有效的注意力块,通过引入原始图像的照明信息给反射分量不同区域赋予不同的注意力权重,使得该模块的骨干网能够更有效地对反射分量进行复原和噪声抑制。另外,采用轻量级的卷积神经网络对照明分量进行调整。最后在不同的低照度图像数据集上进行了实验,并和其他算法进行了对比,从定量和定性两方面验证了该算法的有效性。2)提出一种基于半监督学习的低照度图像增强算法。目前基于深度学习的低照度图像增强算法虽然已经取得了出色的性能,但是在训练过程中,大多数算法仍然需要大量成对的图像进行训练。由于获取大量的真实低照度/正常图像存在难度和成本问题,但使用合成图像则倾向于让网络学习特定模式,使得在真实的测试数据上并不具有较好的泛化能力。因此,提出基于半监督学习的低照度图像增强算法,将合成的低照度/正常图像对和真实图像共同馈入网络学习。首先将合成数据对输入网络进行训练,并使用高斯过程对合成数据在潜在空间进行建模。然后将真实数据送入网络,通过利用先前在合成数据训练阶段建模的高斯过程为真实数据生成伪标签,用于真实数据的网络训练。该算法分别在合成数据集和五个广泛应用的真实数据集上进行测试,同时和其他增强算法进行了实验对比,实验结果验证了提出算法的性能。