低光照图像增强旨在完成低质量的低光照图像到高质量的正常光照图像的恢复,为后续高层语义任务提供高质量的图像数据。由于存在细节缺失、颜色失真和噪声干扰等图像退化问题,低光照图像增强任务是一个极具挑战性的工作。低光照增强任务通常被建模为低光照像素值到高光照像素值的转换问题。传统低光照图像增强方法采用灰度变换和直方图均衡等转换方法,仅考虑了图像底层特征信息,导致图像增强质量不足。基于深度学习的低光照增强方法使用了神经网络模型,在图像的高层特征空间中完成像素值的转换,具有更高的准确性与鲁棒性,但存在以下缺点:（1）由于成对图像数据获取较困难,现有低光照图像数据集中真实场景图像数目较少且场景单一,导致模型训练欠拟合,对真实场景图像的增强性能不足。（2）现有方法在提升图像光照强度的过程中并未对低光照图像中的缺失信息进行有效恢复,导致增强后图像的细节质量不足。针对上述问题,本文主要开展了以下工作:1)针对现有数据集中真实场景图像缺失的问题,本文构建了一个新的低光照图像数据集。为提高真实场景图像的多样性,本文结合不同参数设置在多种拍摄环境下收集了1250对图像。同时本文设计了一个低光照图像合成网络,使用深度学习方法,由正常光照图像自动生成对应的低光照图像,共计2000对图像,对数据集完成进一步的补充。2)为了有效弥补低光照图像中缺失的细节与颜色信息,本文在图像翻译方法的基础上,设计了一个翻译式单分支生成对抗网络增强模型,使用渐进式生成器和多尺度判别器模块,并与感知损失函数与颜色损失函数相结合,加强低光照图像的细节恢复与颜色校正,与现有低光照增强方法相比,PSNR指标提高10.4%,SSIM指标提高3.1%,LOE指标降低31.3%,NIQE指标降低14.9%。3)针对低光照图像的光照分量和反射分量的退化类型的差异问题,本文在方案（2）的基础上,设计了一个分解式多分支生成对抗网络增强模型,对两种分量分别使用独立的生成对抗网络实现恢复。与单分支网络相比,多分支增强模型的PSNR指标提高0.8%,SSIM指标提高0.9%,LOE指标降低2.3%,NIQE指标降低8.2%。同时本文在暗光人脸检测任务中对低光照增强算法的辅助作用进行了实验,在AP指标上本文两种方法分别提升13.56%和15.22%。