图像处理技术的应用随处可见,它在军事和民用的各个领域都展示了不容小觑的实力。图像处理可以划分为多种技术:图像修复、降噪以及增强等,其中的图像增强技术,可以将原来模糊或辨识度低的图像变得清晰。在实际生活中,有很多图像因照度不够等不同原因效果不尽人意,尤其是低照度图像,这类图像整体较暗,微光、暗色区域占图像主要部分,看不清其中的细节,这会给后续的图像处理带来严重挑战,我们可以借助相应的图像增强方法来进行处理,Retinex算法就是处理低照度图像的典型代表方法之一。本文具体研究内容如下:（1）说明低照度图像的成像环境以及成像特点,阐述增强低照度图像常用的Retinex模型并分析基于Retinex理论的常见算法。（2）针对传统Retinex算法细节不突出、色彩不真实、会出现“光晕”现象等问题,提出了一种HSV空间的基于巴特沃斯低通滤波BLPF（Butterworth Low-pass Filter,BLPF）的改进单尺度Retinex算法。改进算法将低照度图像转换到HSV色彩空间,针对低照度图像亮度低、呈现信息偏少的问题,对亮度分量V进行基于BLPF的改进单尺度Retinex增强;为了保持图像原有色彩,对饱和度分量S进行自适应拉伸;最后将图像转回RGB色彩空间。经测试,改进算法能有效地减弱噪声干扰,提升图像暗区亮度,抑制局部高亮区的“光晕”,同时还能凸显图像的细节,还原图像原有的色彩。（3）针对传统Retinex算法需要人工进行参数的调试以及能适应的低照度场景有限的问题,提出了一种基于卷积神经网络的低照度图像增强算法Retinex-Dn CNet。Retinex-Dn CNet是以数据驱动的方式来学习低照度图像分解和增强的网络,它通过端到端的网络训练来进行模型参数的学习,网络分为两部分:分解网络和增强网络。分解网络将低照度图像分解为反射分量R和光照分量I,针对反射分量R噪声多,细节不够突出的问题,增强网络先对去噪卷积神经网络Dn CNN（Denoising Convolutional Neural Network,Dn CNN）模型进行改进,再用改进后的模型New Dn CNN对反射分量R进行去噪处理,针对光照分量I亮度低,细节不够突出的问题,引入卷积块注意力模型CBAM（Convolutional Block Attention Model,CBAM）进行细节增强并指导网络进行光照分量的修正,最后将处理后的反射分量和光照分量逐元素相乘进行图像重建。经测试,增强后的低照度图像亮度提升,细节突出,信息丰富,图像失真小且真实自然。