在现实生活中,由于受到夜间光照条件的影响,使得一些视频图像中的边界和细节模糊不清,视频图像中的信息识别率较低。因此,保持视频图像整体较低亮度的条件下,如何提高视频图像信息的识别度,也成为了视频图像处理和视频图像增强的新方向。在本文的研究中,主要基于Retinex理论来实现低亮度条件下的图像增强。在对SSR和MSR两种Retinex图像增强算法进行分析时,存在Retinex图像增强算法的光晕问题、原始图像中的噪声问题被放大以及Retinex中的迭代效率较低等问题。针对Retinex图像增强算法所存在的问题,提出了可变框架的Retinex改进算法,降低图像入射光线的光滑度,从而更好的保留了图像边界信息和细节信息,有效地消除了Retinex算法的光晕问题。但是这种基于可变框架的改进Retinex算法在保留和突出图像中边界信息和细节信息的同时,也导致图像中的噪声被放大。为此,本文利用双边滤波器来消除改进Retinex图像增强算法所增强的噪声信息。在对Retinex图像增强技术通过多次迭代来获得逼近最优值的解,大量的迭代不可避免的导致图像增强算法的效率下降。因此,在本课题的研究中,通过卷积与多尺度的过程的结合来提高算法的效率,并最终使用遗传算法来进行改进Retinex算法的实现研究。通过对本文改进算法、SSR算法和MSR算法的对比实验,本文改进算法在图像RGB三个分量上的处理都获得了较好的处理效果,改进算法处理后的图像均值和标准差更高,表明在不增加图像整体亮度的前提下,改进算法的图像增强效果更好,而改进算法的信息墒最小,表明改进算法的噪声影响也最小,因此图像中信息的识别效率也更高。