随着计算机视觉技术的快速发展,图像、视频等多媒体数据在信息传播中占据着越来越重要的位置,广泛应用于公共安全、工业生产、医学诊断等各个领域。在低照度场景下,由于环境光线、相机硬件设备的限制,采集到的图像往往具有低亮度、低对比度以及细节丢失的缺陷,严重影响到后续的图像分析,因此需要相应的增强算法提高低照度图像的质量。现阶段,大多数低照度图像增强算法往往依赖人工设计的先验信息与约束条件,无法准确捕获图像深层次结构特征,它们不同程度地存在着鲁棒性、实时性等方面的不足。为此,借助大量的训练数据和GPU强大的计算能力,本文提出了基于深度学习的低照度图像增强方法。论文的主要研究内容与工作成果如下:1.提出了一种基于卷积神经网络(CNN)的低照度图像增强算法:研究了CNN用于图像增强的原理以及提高CNN网络性能的关键技术,提出了基于编码器-解码器结构的CNN模型,通过聚合网络中的底层细节特征和高级语义特征,更好地恢复低照度图像的内容与结构信息;针对传统的像素级损失函数容易产生细节模糊的问题,引入了衡量图像高级语义差异的感知损失,最终的损失函数为两种损失函数的融合。2.在所提的CNN模型的基础上,进一步提出了一种基于生成对抗网络(GAN)的低照度图像增强算法。该算法以生成对抗网络为基本框架,引入了对抗损失、内容感知损失与色彩损失,其中色彩损失通过高斯模糊抹平图像纹理,有效地纠正了生成图像与真实图像之间的颜色畸变,网络的训练过程更稳定,算法鲁棒性更高。针对提出的低照度图像增强方法,选取不同场景下的测试数据,对该方法与现有的其它增强方法进行实验对比;并在图像视觉效果与客观评价指标两个方面分析实验结果,结果表明,本文提出的方法在视觉质量与客观评价下都取得了最好的效果,有效地增强了低照度图像,提高图像对比度与亮度,恢复丢失的图像细节。