图像在人们日常生活中起着举足轻重的作用,是人们获取信息的主要来源之一。当人们使用拍照机设备拍照的时候,由于场景光照亮度、拍摄设备等原因,得到的图像都会出现对比度低、能见度差和ISO噪点高等问题。这样的图像细节信息不明显,降低了图像的实用性。因此,人们提出了大量的方法改变图像的对比度,使图像的细节明显,提高图像的质量和使用价值。多数的这些方法在增强图像时,通常会出现过度增强、部分细节丢失等问题。而且,很多的这些方法训练模型时严重依赖成对的弱光/正常亮度图像,在没有的情况下就会失去了原本的优势。本课题针对弱光图像增强算法进行研究,旨在通过研究一些技术和方法提高弱光图像的使用价值,使原暗区域的细节更明显,拥有更好的视觉效果。本文使用生成对抗网络（Generative Adversarial Network,GAN）作为主要研究方法,提出了以下两种弱光图像增强方法:（1）为了解决过度增强、部分细节丢失、颜色和特征失真等问题,本文在改进一个图像转换模型的基础上,提出了一种基于GAN的三个判别器有监督的弱光图像增强方法,简称为SFPGAN。首先,为了使得增强后的图像保留更多的细节和更接近于真实的图像,使用彩色判别器、灰度判别器和梯度判别器分别从颜色、亮度和纹理三个方向去判别生成图像的真实性。随后,为了保留原始图像的特征,引入特征自我保留损失。最后,为了让模型获得较强的鲁棒性,使用含有一定量正常亮度和过度曝光的图像集训练模型。（2）通过在彩色生成器中引入自正则注意力机制模块,本文提出了一种基于GAN的注意力机制无监督下的弱光图像增强方法,简称为SAMGAN。首先,使用不同的两个生成器分别增强原始图像的彩色图像和灰度图像,同时使用两个判别器分别评判它们的真实性,并且在彩色生成器中使用注意力映射作为自正则注意力机制。随后,为了保留原始图像的特征和内容,引入特征自我保留损失。最后使用灰度一致性损失保证两个生成器生成图像的灰度图一致。经过大量的实验证明,提出的方法能够有效地解决上述问题。在图像的主观和客观评价上,它们都优于一些典型的方法,具有更令人愉悦的视觉效果,还能够增强真实世界中的弱光图像,而且SFPGAN还能保留图像的语义信息。在图像评价的客观指标上,通过比较提出的两种方法,SFPGAN的性能更优于SAMGAN。