照片已经成为人们记录生活和相互分享交流的一个重要媒介,清晰的图像可以更好的表达拍摄者所要传递的信息,因而人们对拍照质量提出了更高的要求。但在弱光线环境中,照片存在着细节损失、噪声严重等问题,极大影响了图像的视觉效果。因此,本文设计了一种基于改进U-Net的多帧融合成像算法MSID,致力于增强低照度图像的可辨识性和对比度,在图像成像领域有着十分重要的研究意义。为了优化低照度图像的成像效果,本文首先分析了主流低照度图像处理的相关算法,并重点研究了以Raw数据为处理对象的SID单帧图像增强算法。针对SID算法处理图像时存在色斑色块等问题,提出了加入HDC模块的多帧融合网络结构,有效聚合图像的全局信息,并采用组合损失函数约束训练,提升了模型的成像质量。同时,针对SID算法占用内存大、计算耗时长的问题,采用了Mobile Net网络结构中的深度可分离卷积和倒置残差结构,有效减少模型参数量,缩短计算耗时。最后得到了一个从多帧Raw数据到RGB图像端到端成像的MSID模型,并使用Tensor Flow Lite框架将该模型部署到手机移动端,通过实际拍照测试进一步验证了MSID算法的有效性。本文以SID数据集为基准,将MSID模型与SID模型及Fast DVDNet模型分别在同一条件下进行对比实验。在与SID模型的对比中,双帧MSID模型的PSNR和SSIM指标分别提高至28.786d B和0.887,同时模型参数量减少93%,计算量减小87%。在与Fast DVDNet模型的对比中,五帧MSID模型的PSNR和SSIM均高于Fast DVDNet模型,且参数量和FLOPs仅占该模型的22%和6%。实验结果表明,本文所提出算法在成像质量和计算耗时上都具有一定的优越性。