低照度条件下获取的图像受可见光低、光照不均和噪声等因素的影响,不仅视觉上的观感被大打折扣而且常常导致重要信息的丢失,正常光照条件下的人脸检测模型是最常见的,若直接使用一般光照模型的检测算法对低照度图像中的人脸进行检测,显然无法满足检测需求的,这给后续的处理和应用带来了极大的麻烦,严重地降低了图像的应用价值。因此针对低照度图像存在的亮度低、对比度低和细节缺失等问题,本文提出一种改进Retinex模型的低照度图像增强算法,再使用Retina Face人脸检测算法对图像中的人脸进行检测。本文主要研究内容如下:（1）针对在处理图像的过程中,因为各种变换操作而造成的图像中纹理细节的改变或者丢失。本文采用各向异性扩散滤波算法对低照度图像的细节进行获取,由于其原理的特性,使其能够较好地保存图像中同结构和不同结构的细节,确保图像在后期处理中纹理的丰富度。（2）针对低照度图像亮度及可见度低,无法充分满足人眼视觉的需要,以及实用性低等问题。本文根据图像的成像原理以及光照的不变特性,提出基于Retinex视觉模型的改进图像增强算法。通过max-RGB算法获取三通道最大像素值,用于估计每个像素的照度,初始化光照图。利用交替最小化和局部一致性原理对光照图进行第一次优化,通过局部自适应的Gamma矫正对光照图进行亮度及对比度上的第二次优化。根据最终的光照图求解期望增强的图像,再叠加图像细节层,该算法所获取的结果清晰且细节更为丰富。在客观评价方面,与其余算法相比,本文算法在图像‘building’上,边缘强度最高达到1.41e+02,平均梯度最高15.4383,空间频率最高达到87.1060,能量梯度最高达到24.9691。（3）针对低照度图像中人脸无法被获取,传统人脸检测算法无法实现对大量数据的处理和传统算法检测效率较低等问题。为了进一步验证本文算法的性能,本文使用最新的单级密集人脸检测算法Retina Face,对未处理的图像与多种算法处理后的图像进行检测。实验表明,对增强后的图像进行人脸检测,本文算法的回召率高达99.02%,准确率高达94.53%,F1值最高达96.72%,表现均优于其余几种算法。本文以提高低照度图像的质量为目的展开研究,提出一种基于Retinex模型的细节保护图像增强算法。实验表明,本文算法增强后的图像细节轮廓分明、色彩丰富、清晰度极高。在运用Retina Face检测算法对低照度人脸图像进行检测时,检测率和准确率同其他图像增强方式相比,有较大幅度提高。本研究对于低照度图像的应用开发及优化具有一定的参考应用价值,对其在人脸检测领域的智能化的推广起到积极的作用。