在低光照环境下,由于普通消费者拍摄的照片通常会受到相机抖动、传感器噪声等因素的影响,从而导致所获取到的照片质量不佳。经过图像增强处理后,能够使获取到的图片质量得到一定的改善,以达到与人们主观审美感受相一致的结果。虽然目前有一些图像质量评估指标,能够对经过图像增强处理后的照片进行质量评价,但是,这些评价指标没有经过人们的主观验证,不能仅凭此判定经过图像增强处理后的照片就一定符合人们的主观审美。针对该问题,我们进行了相关的研究。在我们的研究中,我们采用了基于等级排序的方法来评估不同后处理方法之间的主观偏好。实验结果表明,即使存在大量传感器噪声的情况下,大多数用户还是更加偏爱于锐化的照片,并且验证了我们的主观评价方法的可行性。但是,由于用户之间的个人偏好也存在系统性差异,因此,在选择用于照片质量增强的后处理算法和参数时,除了考虑图像特征外,还需要考虑用户的偏好。由于集成在智能手机中的廉价摄像头已广泛使用,照片共享成为了人们日常生活的一部分。不幸的是,低成本的消费类设备通常由于自身原因,捕获的图像质量不佳,尤其是在低光环境下,因此,图像自动后期处理来提高图像质量的需求不断增长。由于非专业摄影中的失真范围很广,因此能够自动的选择后处理方法和优化参数是一个具有挑战性的问题。在我们的研究中,基于之前的研究——基于等级排序的方法,比较了经过不同参数优化处理过后照片的主观偏好,从而对获取到的图像进行锐化和降噪处理,以达到改善图像质量的目的。为了实现参数优化自动化,我们提出了一种基于机器学习的图像后处理参数优化的方法,并建立了低光下普通场景下的图像数据集。然后,运用预先训练好的基于卷积神经网络（CNN）的特征提取器对图片进行特征提取,作为机器学习模型的输入,来预测最佳的图像后处理参数。实验结果表明,基于学习的方法能达到令人满意的预测精确度,运用其预测的参数优化,能够明显的改善图像质量,并且更加契合人们的主观感受。