在低光条件下拍摄的图像导致人的感官视觉陷入盲区,物体的本质属性隐藏在黑暗中。由于相机本体缺陷和拍摄质量使相片产生噪声与颜色的失真,这些缺陷都被隐藏在黑暗之中。其一,低光图像严重影响人类的视觉感受,其二,由于现在机器视觉的发展日益完善,对于样本预处理的要求就越来越高,低质量的图像会影响其性能发挥。由此,对低光图像的增强研究是尤为重要的,对图像进行去噪、信息丢失弥补、失真、结构相似度等问题的增强与提高,是对目标识别与追踪、视频增强、城市安全与智慧城市发展等工作提供了高质量的数据样本,该研究具有重要的研究意义与实用价值。现有许多优秀的算法可以调整低光区域的亮度,但是在实现物体内在属性的去噪与相似度还原的功能上还略有不足。本文先介绍了低光图像增强和神经网络的研究理论支撑,然后介绍了低光图像传统方法和深度学习的方法,并对其分析优劣。在其基础上,针对其劣势提出了两种针对低照度图像增强的方法。本文的具体研究内容如下:（1）针对低光图像增强过度以及照度调整不明显问题,受到Retinex模型的启发,提出了由Attention Mask引导的低光图像增强算法。本算法设计了图片分解和增强网络两大部分,通过将图像分解为承载光照信息的光照图与承载物体内在信息的放射图,通过分别增强后再将二者进行重建,这样增强过后的图像更具有真实性,避免了现有较多方法仅仅在光照图上增强,而导致图像内在属性信息缺失。在增强部分,我们分为图像的恢复和调节。在恢复部分,有我们需要对图像信息保留与去噪能力更完善的模型,我们放弃了使用传统的插值法进行恢复,而是使用了U-Net,并且在U-Net增强通道之前增加了Attention Mask作为引导。网络的本质还是端到端可训练的,实验用到的是低光数据集LOL。通过实验与其对比分析,该方法具有更好的去噪能力和提高图像质量能力,并且图像整体亮度调节较对比方法更有优势。（2）现有部分算法可以调高低光区域的亮度,但是在实现物体内在属性的去噪、相似度还原和图像信息保留的功能上还略有不足。受到人类视网膜工作原理的启发,本文工作同样是先设计好分解网络将和增强网络两个模块,将光照分量（体现光照度强弱）和反射分量（体现物体内在属性）输送到本文设计的增强网络中进行增强,该网络由改进的Attention Mask模块进行分量引导,增强由U-Net网络结构完成,在U-Net结构网络中,本文设计了一个RISS模块,用于有效减少图像特征信息的流失,更好的保留了图像的真实性,从而实现重建图像的结构相似度。在光照调节上,本文使用了改进的全卷积网络来保证光照特征信息与原图光照特征的位置关系。本文网络在不同的照度的图片数据集（LOL）上进行训练,通过实验证明网络可以适应不同的照度图片将其进行恢复,后期通过与其他方法（传统方法与深度学习的方法）在不同数据集上主观与客观的对比,该方法除了能实现图像低光增强的功能,还在颜色信息还原、图像细节还原、图像结构相似度增强的功能以及图像的去噪功能有较好的提高。