在黑夜,阴天等亮度不足的环境下,容易得到曝光不足的低照度图像,这些低照度图像存在整体或局部亮度低、细节缺失等问题,严重影响图像质量,给人的视觉感受和后续的视觉任务都带来不利的影响。低照度增强技术目的主要是增强图像整体亮度,恢复暗部的细节,从而将低照度图像恢复到正常曝光图像。为了处理复杂光照下的低照度图像,本文基于卷积神经网络开展研究,从图像的增强模型和网络结构两方面对低照度图像增强任务进行了研究,具体研究内容如下:（1）提出了基于image-to-patch模型的低照度图像增强方法。为了解决不同亮度下的低照度图像增强问题,提出了image-to-patch增强模型,通过引入修补图（patch image）指导卷积神经网络去拟合这一中间图像来间接实现增强。修补图保存了低照度图像到正常图像的增量信息,可以使网络专注于图像的暗部区域,减少对于正常区域的关注。同时为了提升网络对不同亮度图像的增强效果,还引入增强等级这一参数来满足不同亮度图像的增强需求。此外还设计了轻量化的网络结构,在最大程度降低增强所需要的时间和资源的同时保持良好的增强效果。最后通过实验分析证明了方法的有效性。（2）提出了融合颜色均衡的Retinex低照度图像增强方法。为了解决传统基于Retinex理论的方法很容易导致图像颜色失真、细节信息丢失等问题,文中提出了将Retinex理论限制在图像的灰度域,通过设计解耦网络分别获得在灰度通道下的光照分量和反射分量,反射分量作为细节和结构的补充,与输入图像一起被送入到重建网络。重建网络中设计了跳跃连接和颜色均衡模块来提升图像的重建质量,颜色均衡模块整体由通道注意力机制和逐点卷积构成来维持输出图像色彩的稳定。此外在训练阶段还采用了分段式损失函数来进一步提升网络的性能。通过相关消融实验,证明了相关模块的有效性。通过和其他方法的对比,文中提出的方法在客观指标和主观感受上都具有令人满意的结果。