由于照明强度以及数字设备动态范围的约束,拍摄的照片通常会出现能见度低、对比度不高和噪声放大等退化现象,这种低质量图像不仅视觉效果不佳,而且难以支持后期高级的计算机视觉任务。针对以上问题,本文在传统方向,基于Retinex模型的局限之处,提出了基于Retinex的纹理结构感知的非均匀光照图像增强算法;在深度学习方向,基于Retinex-Net网络模型存在的色彩保真度低以及放大噪声等缺点,提出了改进Retinex-Net的非均匀光照图像增强网络。本文的相关工作与创新点如下:（1）针对传统Retinex算法难以同时估计出精确的光照图和反射图,以及增强图像自然度低、对比度不高等问题,本文提出了基于Retinex的纹理结构感知的非均匀光照图像增强算法。该算法主要包含三大步骤,即纹理结构感知的Retinex分解,基于限制对比度的自适应直方图均衡、直方图修正的对比度增强以及基于查找表的光照调整。观测图像首先通过指数局部平均变分滤波器,并利用加权的方法实现Retinex分解,该分解方法是纹理、结构感知的,可以同时估算出较为精确的光照分量和反射分量,然后利用直方图修正的方法对反射图像的子块进行基于内容的自适应对比度拉伸,最后通过学习查找表调整亮度。实验结果表明,本文算法性能稳定且适用性较好,在保持图像整体自然性的情况下,未造成模糊、伪影、增强过度以及颜色保真度低等不良效果。（2）受Retinex-Net网络模型的启发,针对其存在的色彩失真以及放大噪声等问题,本文提出了一个改进Retinex-Net的非均匀光照图像增强网络,该网络由三种模块构成,分别是分解模块、反射分量去噪模块和光照调整模块。对于分解模块,采用双分支以及残差连接来保持更多的图像细节信息,同时添加光照一致性损失函数以进一步抑制图像弱边缘信息,保留更多的强边缘结构信息;对于反射分量去噪模块,采用双残差结构保留更多细节纹理,引入通道特征注意力模块,学习图像中的关键内容,降低对噪声等无关特征的响应;对于光照调整模块,为了缓解光照分量存在的局部区域过暗或过亮的问题,利用上采样来重建光照强度,同时,针对Retinex-Net网络存在增强图像色彩失真这一问题,在光照调整模块中设计注意力模块并添加色彩损失函数。实验结果表明,本文算法在提升图像对比度和饱和区域细节方面取得更好效果,且没有出现明显的颜色失真以及大面积的伪影,因此图像的自然度较高,同时和其他对比算法相比,本文算法的PSNR和SSIM指标值最大。