随着计算机视觉和深度学习技术的飞速发展,各类基于视频图像的在线检测和识别技术已经广泛应用于科研,医学,工业及安全检测等领域。然而这些都是以高质量的输入图像为前提的,当存在光照不足、噪声干扰或分辨率不足等问题时,实际应用效果都将受到严重影响。基于此,本文开展了基于卷积神经网络的低质图像增强和超分辨率复原算法的研究工作,分别针对低照度、噪声和低分辨率等低质图像,以卷积神经网络为主要工具,开展了相关的研究工作,具体包括:设计并实现了一种基于U型网络的低照度图像增强算法,在Unet网络基本结构下,采用跳跃连接全卷积神经网络对高低照度图像间的非线性映射关系进行建模,通过参数共享降低参数量,并在每一层卷积后设计了实例归一化层进一步提高算法性能,最后通过反卷积重建高亮度图像。与现有的主流图像增强算法相比,该算法能够自适应性提升亮度和对比度,避免图像边缘出现伪影,不仅客观评价指标有一定优势,对于真实场景拍摄的低照度图像,也取得了较好的效果。设计并实现了一种基于Inception结构的深度卷积神经网络图像去噪算法,采用残差学习策略,通过端到端的学习,通过对带噪图像隐式地移除干净图像,生成噪声图,实现图像的去噪;并通过残差学习和批量归一化,提高训练速度,促进性能的提升。采用Inception结构作为网络低层次结构,通过多个卷积核提取图像不同尺度的信息,最后进行融合,可以得到图像更好的特征,增加网络的宽度和多尺度不变性。实验结果表明该算法训练得到盲图像去噪单一模型,可以达到优于特定噪声模型的效果。设计并实现了一种基于对抗神经网络的低分辨率图像超分辨率复原算法。该算法基于生成对抗网络结构,设计了基于亚像素卷积的高分辨率图像生成器,从输入低分辨率图像生成高分辨率图像,进而通过判别器对真实高分辨率图像和生成图像进行判别。采用MSE损失和对抗损失相结合的训练函数提高网络的训练效果。实验结果表明该算法在多种放大倍数下均取得了优于传统算法的效果。综上,本文针对低照度、噪声、低分辨率等典型的图像降质问题,开展了基于卷积神经网络的低质图像的增强与超分辨率复原技术研究工作,从各个角度提高图像质量,重建高质量的图像。相关技术将有效改善各类基于图像处理的应用系统对于低质图像的处理效果,推动各项技术的实用化进程。