在低照度环境下,成像设备捕获的图像常常存在细节信息丢失、对比度较低、动态范围较差、噪声严重等诸多问题。这类图像不但会影响人类的视觉感知能力,同时会影响基于视觉信息的人工智能算法的性能。通过图像增强技术,可以有效的提高低照度图像的质量,使图像拥有更好的清晰度、更丰富的纹理细节信息以及较低的图像噪声。由于低照度图像增强算法目前仍面临诸多挑战,且在人类生活中具有广泛的用途,因此这个问题无论是从科学研究的角度,还是从实际应用的角度来看都是意义重大的。本文关注于如何增强低照度环境下图像质量的问题,结合目前在计算机视觉领域取得诸多进步的深度神经网络算法,以及多粒度分析的思想,展开了一系列的研究。文章的主要工作包括:首先,本文在第一章和第二章介绍了相关的背景知识。在第三章中通过对深度神经网络中不同大小感受野的卷积核对深度神经网络性能影响的分析,受多粒度分析的启发,结合残差网络和密集网络的思想,提出了多粒度残差密集卷积块。本方法在一个模块中使用不同感受野大小的卷积核对深度卷积神经网络上一层输出的特征提取不同粒度的信息,在模块的最后通过对不同粒度下的特征信息进行融合生成新的特征。基于多粒度残差密集卷积块,本文提出了多粒度残差密集网络,通过与现有方法的对比分析和模型的退化研究,证明了该方法的有效性。然后,本文在第四章中通过对人类合作方式的研究,同时基于多粒度理论分析,提出了多粒度合作式深度神经网络模型。该模型利用多个简单的单粒度神经网络通过合作学习的方式,进行双向信息交互,从而实现渐进式性能增强。通过大量的实验分析以及退化研究,本方法在目前公开的数据集上取得了明显的效果提升。最后,本文在第五章针对低照度图像增强算法中的图像动态范围保护问题,通过对深度神经网络学习方式和映射关系的研究与分析,提出了光照图估计函数,使用基于光照图的方法对输入数据进行局部光照调节,从而实现在低照度图像的增强过程中保护图像的动态范围。为了验证算法,本文收集了低照度场景下的高动态数据集,通过实验对比验证了该算法的有效性。