在低照度环境或者设备补光能力不足时,所采集的图像大部分是低照度图像,这些图像会出现亮度低、不清晰、对比度低等问题,这些缺点严重影响了图像在后续计算机视觉任务中的处理。因此,增强低照度图像对后续的目标识别、语义分割等任务有着重要意义。深度学习算法是通过建立类似人脑信息处理机制的网络模型,采取高效的学习策略逐级提取数据特征,拟合复杂的非线性函数。近年来,深度学习算法在图像处理领域得到广泛应用。本文将深度学习应用于低照度图像增强上,提出了三种低照度图像增强算法。针对低照度图像亮度过暗,视觉上不清晰等问题,首先,提出了一种基于级联残差生成对抗网络的低照度图像增强算法,构建级联残差卷积神经网络作为生成器网络,将改进的Patch GAN作为判别器网络。将低照度图像和正常照度图像从RGB转换到HSV,利用级联残差生成器网络对其中的亮度分量增强,判别器网络监督生成器网络不断增强低照度图像。其次,结合残差学习和双边滤波设计了一种双残差卷积网络的低照度图像的增强算法,该算法将低照度图像和正常照度图像的RGB三个通道分别采用所提的双残差网络进行训练,并使用双边滤波进行优化,获得增强后的图像。最后,提出了一种基于离散小波和改进的U-Net网络的低照度图像增强算法,将低照度图像与正常照度图像经过离散小波变换（DWT）分解为高低频图像,将高低频图像分别通过改进的U-Net网络增强,再通过逆离散小波变换重构获得增强后的图像。实验结果表明,本部分所提的三种低照度图像增强算法,无论是在主观上,还是在客观方面,都有一定的优越性,相比于现有的图像增强算法效果都有明显提升。