图像质量与很多计算机视觉相关技术的效果息息相关,高质量的图像可以带来更多信息。日常生活中的很多因素都可以直接或间接地影响图像质量,低光照便是其中之一。如果能对低光照图像进行预处理来提升图像质量,计算机视觉任务的效果可以得到提升,例如夜间,深海环境以及其他低光照条件下的图像识别与图像分割等任务。因此,对低光照图像增强进行研究具有重要的实际应用价值与理论意义。本文主要针对低光照场景下的图像增强算法进行了研究。目前很多基于深度学习的低光照图像增强模型都建立在Retinex理论上,这意味着他们通常需要训练额外的分解网络来分离亮度图与反射图,而这样会增大模型的参数量与计算量。本文提出的基于多路径卷积神经网络的低光照图像增强方法相比于以往的低光照图像增强算法可以避免这些缺陷。本文首先介绍了一些数字图像与卷积神经网络的基础理论,并对相关的低光照图像增强方法进行梳理与探讨,然后对研究方法与内容进行描述。本文详细描述了提出多路径卷积结构的动机,假设与结果,系统地设计了实验并进行验证。本文的主要贡献包括:1)针对低光照图像增强任务,本文提出了两种能够处理不同曝光条件的基于多路径卷积神经网络的图像增强方法。2)考虑到低光照环境对图像亮度与色度会产生不同的影响,本文针对性地对网络结构与损失函数进行设计,并验证其作用。3)本文考虑了全局信息对低光照图像增强模型的影响,并通过实验证明引入全局信息可以提升模型的效果。在与前沿的低光照图像增强算法在公共数据集上使用通用的指标进行比较的结果显示,本文提出的低光照图像增强模型展现出明显的优越性。