随着数字图像应用的不断普及,图像增强技术的重要性也愈发凸显。进几年来,深度学习技术的不断进步带动了图像增强算法性能的提升,但目前提高深度网络的学习效率,提升算法在实际场景中的性能以及根据任务导向优化算法等方面仍面临着一些挑战。本文基于实际的增强任务,对其中的一些挑战进行了研究和讨论。首先,图像颜色的好坏是影响观看体验的重要因素之一。我们根据颜色增强需要兼顾整体风格和局部调整的特性,提出了一个通道级全局线性增强和像素级局部非线性增强相结合的多层级增强算法,该算法通过两个级联的卷积神经网络实现。其中,通道级全局增强是基于输入图像红绿蓝三通道的线性映射,映射系数由一个卷积神经网络预测。像素级局部增强则通过另一个卷积神经网络实现像素到像素的局部微调,并且在网络中引入了非局部模块加强局部的关联。全局增强能够保留较好的整体颜色一致性,局部增强则能抑制局部的颜色失真。实验结果表明所提出的方法中各个模块都能在一定程度上提升整体性能,并且完整算法的性能在量化指标和主观质量上都超过了一些目前最先进的算法。其次,实际场景中的图像失真比较复杂,容易出现多种不同类型的失真叠加的情况。我们受到深度图像先验的启发,提出了一个基于双重先验学习的混合多失真增强算法,算法框架由图像先验网络和失真先验网络构成。其中图像先验网络利用图像内在先验从随机噪声生成清晰图像,失真先验网络则根据输入图像预测包含的失真类型和失真等级,再通过失真模型将清晰图像转换成失真图像以此反向约束生成的清晰图像。对抗学习的采用使得图像先验网络增强结果的分布与真实清晰图像的分布相近以进一步加强主观质量。我们对所提出算法进行了详细的实验验证,实验结果表明所提出的算法相比于原始的深度图像先验能更有效地处理未知失真类型和等级的混合多失真图像。此外,目前的增强算法普遍存在一些维度的质量不可兼得的问题。基于此现象,我们进一步讨论了基于深度网络的颜色增强模型和混合多失真增强模型在任务导向下的优化。其中,针对颜色增强模型,本文讨论了常见的感知损失函数和对抗训练的影响。针对混合多失真增强模型,则讨论了引入同样由深度网络构成的识别模型计算识别损失函数并反向优化增强模型的影响。