由于环境光线昏暗或者设备自身问题,会导致获取的图像亮度较低,不仅影响人类视觉体验,还会制约以高质量图像为输入的计算机视觉应用性能,如目标检测、人脸识别等。与一般暗光环境下低照度图像增强研究相比,实现在复杂光照环境下低照度图像增强研究,要在考虑平衡不均匀光照问题的同时,还要考虑图像清晰度、噪声干扰等问题,这是具有挑战的。本文将对目前的低照度图像增强方法进行分析,并提出相关的改进方法。本文具体研究内容如下:（1）在一般暗光环境下,捕获的图像存在亮度较低,图像内容无法清晰辨识,极暗区域存在噪声干扰等问题。根据上述问题,提出了一种改进的基于Retinex的低照度图像增强方法。首先,该方法利用卷积层与注意力层结合的方式将输入的图像分解成照射图和反射图。其次,利用残差学习的方式构建残差增强网络,对照射图进行增强。最后,将增强后的照射图和分解得到的反射图进行重构,得到最后的增强结果。实验表明,本文提出的方法有效地解决了一般暗光环境下的低照度图像增强问题。（2）复杂光照环境下的低照度图像增强,最重要的是要降低多种亮度之间的相互影响,对较暗的区域进行增强,而较亮的区域不产生过度增强的问题,同时保持图像纹理细节。根据上述问题,提出了一种改进的复杂光照环境下低照度图像增强方法。该方法使用残差块构建残差U-Net网络,使用双注意力机制解决复杂光照环境下的图像分解问题。对于增强网络,使用带有注意力的残差块与稠密连接的残差块共同构建,充分利用每一个卷积层输出的特征。为了验证所提方法在复杂光照环境下低照度图像增强的有效性,本文创建了复杂光照环境下低照度图像测试数据集Low-Light Dataset in Complex Lighting Environment。实验表明,本文提出的方法在复杂光照环境下仍然能够有效的对低照度图像进行增强。