低照度图像是光学成像设备在夜间或者光照较弱的情况下采集到的图像,这类图像往往会出现曝光不足、对比度较低、细节不清晰等问题。大量细节信息被淹没在黑暗中,严重影响使用者观察、计算机处理等工作。低照度图像增强的目标是提升图像的亮度、抑制噪声和矫正图像的色彩偏差等,使处理的结果图像更加适合人眼的视觉观察或者计算机的识别。目前,二维不可分小波理论迅速发展,在图像融合、图像分割、图像增强等领域都取得很好的应用效果,本文根据低照度图像的特点,结合二维不可分小波的优势,提出了一种基于二维不可分加性小波的低照度图像增强方法。由于二维不可分小波不受张量积的限制,其滤波器组的种类和数量根据所给参数不同,可以得到无限多种。大量的滤波器组良莠不齐,而在选择滤波器组时,只是凭经验选择很难取得理想的效果,如何在图像增强过程中选择效果较优的二维不可分小波滤波器组仍是没有解决的问题。随着人工智能和深度学习的快速发展,深度学习模型在图像处理的各个领域都取得了成功的应用,卷积神经网络（CNN）作为最具有代表性的深度学习模型之一,其简单易用、高效准确的特点,受到了广大研究者的青睐。因此,本文将CNN模型作为工具,探讨二维不可分小波滤波器组在低照度图像增强中的选择和优化问题。本文的主要创新和研究工作如下:（1）研究了二维不可分小波及加性小波理论,提出了一种基于二维不可分加性小波的低照度图像增强方法。首先,将图像分解成入射分量和反射分量;然后对入射分量作增强处理,获得三个具有不同特点的入射分量,对三个入射分量使用二维不可分加性小波多尺度分解,低频部分采用加权平均,高频部分使用像素相同位置绝对值取大的融合规则,最后重构得到最终的增强图像。实验结果表明,所提方法能有效提升图像亮度和对比度、保存图像细节信息;在主观和客观质量评价中比其它六种方法具有更好的表现。（2）利用CNN,提出了一种低照度图像增强中二维不可分小波滤波器组的优化和选择方法。首先,构造大量二维四通道不可分小波滤波器组,将这些滤波器组使用（1）的方法作图像增强,将增强效果量化作为滤波器组的标签,得到数据集,然后使用训练集对设计好CNN网络模型训练,使用测试集在训练好的CNN在上测试。最后重新构造少量不属于原数据集的滤波器组,对比分类效果和实际增强效果的差异,统计其准确率。实验结果表明,该网络在测试集的测试中具有较高的准确率,且在数据集外的滤波器组识别中同样准确,证明了该方法的有效性,对低照度图像增强过程中二维不可分小波滤波器组的选取具有重要指导作用。