近年来,随着计算机视觉技术的广泛应用,图像增强作为计算机视觉领域中的基础研究工作变得越来越重要,其中的低照度图像增强又是图像增强领域中的重要研究课题之一。现阶段,基于不同理论的低照度图像增强方法以及各种去模糊、去噪和亮度调整技术已被提出,但图像增强技术仍然面临着很多挑战。此外,低照度图像往往伴随着图像的退化和细节的缺失,这也给图像恢复工作带来了很多困难。针对低照度环境下图像噪声去除、色彩失真、以及图像细节恢复等问题,对该环境下的图像增强研究具有一定应用价值本文研究了在低照度环境下图像增强问题,主要工作如下:1)构建了室外多重曝光低照度图像数据集。本文对已有低照度数据集进行了分析,使用相机和智能手机等多台成像设备,用多种拍摄手段构建了室外低照度数据集,增加了数据集在真实场景下的多样性,保证了后续算法的鲁棒性。2)结合Retinex理论,本文提出了一种端到端的改进的卷积自编码网络结构,其由编码器和解码器组成。考虑到目前低照度图像增强所面临的噪声去除、颜色失真和局部细节恢复等挑战,分别设计了图像分解、照度调整和图像重建三个网络模块。网络通过图像分解模块对图像进行编码,得到反射特征编码及照度隐藏编码。其中,网络的照度调整模块对图像照度进行自动调整,图像重建模块实现图像内容的恢复和重建,得到最终增强的结果。3)由于基于Retinex理论的图像分解是一个不适定问题,其对输出没有合理的约束,所以本文设计了一种联合损失函数来约束网络的训练。本文损失函数分为三个部分,分别是重构损失、颜色损失和反射损失。其中,利用低照度图像和正常曝光图像的反射特征应有相同结构和细节的这一先验知识,设计了反射损失约束,其中包括了细节约束和结构相似性约束。同时,为了确保重建图像的内容更加接近正常曝光的图像并校正颜色偏差,设计了重建损失和颜色损失。最后,通过实验结果验证了本文提出算法的有效性和先进性。