对微光彩色图像进行增强是视觉影像处理和分析领域的重要研究课题。而现实情况下由于成像设备的限制和成像环境的影响,图像质量常常不尽人意。微光图像增强是智能人机交互技术研究的关键内容,同时也是计算机视觉领域的一个重要研究方向。因其巨大的理论研究意义和广泛的实际应用价值,微光图像增强得到广泛关注并取得长足发展。传统的微光图像增强往往是针对模拟低照度图像而非真实自然场景下的低照度图像,而且会出现增强不足或者颜色失真的情况,经过学界的努力,针对这些问题的算法已经取得了很大的进步。但仍存在如下问题:1)增强后的图像出现颜色失真问题;2)增强图像细节不完整;3)基于深度学习的图像增强算法落地实现困难。针对以上3个问题,本文主要研究内容归纳如下:（1）提出了一种基于Retinex理论的多尺度微光图像增强算法。该方法从多个尺度提取图像特征,以Retinex理论为依据,由分解部分和增强部分组成,作为一个联合网络,分解和增强部分互为约束,同时更新参数,使图像处理结果在细节上处理更优秀,避免了分解与增强分离后重组,丢失掉较多的信息,导致误差增大的问题。另外在增强部分本文采取多尺度网络,充分提取图像特征,能够保证光照图在全局和局部亮度上达到平衡。Retinex理论可以有效解决噪声放大和色彩失真问题,同时又加入了颜色损失来解决颜色失真的问题,使增强结果在颜色上更接近于正常光照图。增强结果在视觉体验上表现得很优秀,其PSNR和SSIM的结果也表现出该算法相比其他算法的优越性。（2）提出了一种基于空间金字塔的微光图像增强算法。该方法提出的网络先将图像分解成反射图和光照图两部分,然后对光照图进行增强,增强后的光照图与反射图构成增强后的图像。在对光照图进行调整时引入空间金字塔模块,通过三个不同大小的空洞卷积核来获得图像更多的特征信息。另外通过颜色损失函数的约束,使得结果没有出现过曝或者边缘模糊的情况。通过与不同算法的增强结果对比,该算法在定量和定性上表现都比较优秀,该算法对微光图像增强有显著的效果。（3）实现了微光图像增强算法在TX2平台上进行图像增强并优化加速。该研究将微光图像增强算法从计算机平台移植到英伟达Jetson TX2平台上,使本文所提算法能够在TX2平台上实现,并且对自研相机采图进行图像增强并取得了较好的结果。另外,该方法还利用了Tensor RT推理优化器对本文所提出的算法进行模型优化,解决了图像处理效率低的问题,从而使本文算法能够在实际工程中发挥作用。