低照度图像增强算法是低层次计算机视觉领域中极具挑战性的任务之一,其主要目的是将低照度图像增强为可分辨的清晰图像,用于后续更高层次的视觉处理任务,如目标识别与检测、语义分割等。近年来,随着深度学习领域的发展和计算机性能的提高,基于深度学习的低照度图像增强算法在科学研究和工业应用领域受到广泛关注。然而,低照度图像通常受到环境亮度、相机抖动、目标移动等多方面因素的干扰,导致低照度图像增强算法的研究面临着很大的挑战。本文首先介绍了相关背景知识与主要研究内容,通过研究现有低照度图像增强算法的优劣势,提出了一种基于注意力机制和多层次特征融合的低照度图像增强算法。本文的主要工作和贡献如下。首先,本文提出一种基于通道级的注意力机制,通过使用全局平均池化聚合网络特征图的全局信息,通过压缩和激励模块获取特征通道之间的依赖关系,赋予特征通道不同的权重,增强有用信息同时抑制无用信息。其次,本文提出一种高效的特征提取网络和基于通道维度与自上而下的多层次特征融合网络,特征提取网络用于提取多层次特征向量,基于通道维度与自上而下的多层次特征融合网络用于融合不同层次特征,充分学习不同层次特征图的信息,增强算法的特征泛化和表达能力。本文在合成图像、S7ISP和SID三个低照度图像数据集上进行了大量实验。结果表明本文提出的算法增强效果优于现有主流的低照度图像增强算法。同时本文对提出的算法进行了消融实验,结果证明算法中各个模块的改进对整体算法性能提升均有所贡献。