微光图像是一种在低照度(小于10^-3勒克斯)环境下探测得到的图像,目前在军用夜视、安防、遥感等诸多领域发挥着重要作用。由于探测环境照度低、光线暗,微光图像也不可避免地存在低亮度与低对比度问题,噪声严重时会遮挡图像中目标细节信息,无论是主观评价还是算法处理都无法进一步的识别目标。本文以微光图像为研究对象,首先搭建微光成像系统实现了图像获取,其次为了改善微光图像的视觉效果,研究相关去噪及增强算法,最后基于深度学习理论实现微光图像内目标的识别检测。本文主要研究内容如下所示:1. 为了获取微光图像,研究了光子计数成像理论,建立模型计算出目标光子反射后被探测到的概率及数量。硬件上设计搭建了以MPPC（Multi-Pixel Photon Counter）为核心的微光成像系统,主要由MPPC探测器、步进电机、二维电控导轨、计算机、光纤等组成。软件上编写了光子数采集程序以及可视化界面,实时显示光子数采集情况。通过控制步进电机使二维电控导轨移动,逐行逐列的扫描被测目标,对目标光场在时间、空间上高精度采样和反演计算得到微光图像。2. 微光图像存在亮度对比度低、噪声等问题,因此提出一种以块匹配滤波和非下采样变换为核心的去噪增强方案。该方案将原始微光图像和直方图均衡化后的微光图像同时进行非下采样变换,并融合各自的高低频系数子带;低频子带使用自适应单尺度Retinex处理,线特征保留最好的高频子带使用符号函数和Bayes-Shrink阈值初步去噪;块匹配滤波利用局部搜索替代全局性搜索,有效去噪的同时显著地提升算法效率。仿真结果表明该方案处理后的微光图像细节保留最好,相比BM3D等经典算法,在多个客观指标评价上性能有2%-9%的提升,为后续的识别研究奠定基础。3. 基于深度学习理论提出一种改进Faster R-CNN的夜间车辆图像识别检测方法。该方法在VGG-16网络框架基础上结合多特征融合,加入了特征金字塔,有效地提升模型的泛化能力,增大了特征映射的分辨率;在区域建议网络RPN中加入K-Means++聚类算法,匹配得到锚框的最佳大小和数量;通过动态缩放交叉熵修改损失函数,加强对夜间车辆图像中困难样本的挖掘。试验证明,基于Faster R-CNN的改进方法相比原Faster R-CNN能有效地提升夜间图像中对车辆、信号灯等目标的检测召回率和精确度。其中车辆的检测精确度提升3.12%,并且有效解决了小目标车辆漏检问题。