恶劣环境下拍摄的图像通常会存在明显的退化现象,导致图像内容缺失,视觉质量下降。单幅图像去雨和暗光图像增强是恶劣环境下图像复原与增强的重要任务。单幅图像去雨任务旨在去除雨图中的雨纹,复原图像的本真样貌。然而图像去雨过程中往往还会出现图像纹理细节信息模糊和丢失的问题。暗光图像增强任务旨在增强暗光图像的亮度,使图像内容能够清晰完整地展现。然而暗光增强过程中往往还会出现噪声放大、细节模糊和色彩偏差的问题。因此,恶劣环境下的图像复原与增强任务不仅要充分去除图像中因恶劣环境因素导致的退化现象,还要抑制图像复原与增强过程中其他退化问题的产生,具有较强的挑战性。本文提出了两种基于深度学习的方法分别完成单幅图像去雨和暗光图像增强任务,简要描述如下:（1）针对目前单幅图像去雨方法存在的雨纹去除不充分和纹理细节丢失的问题,本文提出了一种基于上下文信息的单幅图像去雨方法。具体来说,本方法构建了一个基于通道注意力机制的多尺度循环残差网络,旨在充分利用多种上下文信息以提升网络的去雨能力。该网络的主干部分包含三个基本模块,分别是为充分利用各循环阶段间上下文信息引入的长短期记忆网络模块,为充分利用像素间上下文信息构建的混合特征提取模块以及为充分利用图像通道间上下文信息构建的基于残差通道注意力机制的残差模块。实验结果表明,本方法能够充分去除雨图中的雨纹并有效保护图像的纹理细节。（2）针对目前暗光图像增强方法存在的亮度增强不充分,噪声放大和细节模糊的问题,本文提出了一种基于逐像素线性映射的暗光图像增强方法。具体来说,本方法以逐像素线性映射方式完成暗光图像增强,旨在同时改善暗光图像的亮度并增强纹理细节信息。本方法提出的暗光增强网络模型包含增强网络和修复网络两个模块,增强模块通过多尺度特征学习生成逐像素增强矩阵,旨在初步改善图像的亮度以获取粗增强图像;在此基础上,修复模块进一步学习出增强所需的残差分量,旨在进一步调整粗增强图像的亮度,并抑制初始增强图像中的各类退化现象。最后,将粗增强图像和残差分量进行逐像素相加,得到最终的增强图像。实验结果表明,本方法能够有效增强暗光图像亮度并使增强结果拥有清晰完整的纹理细节。