社会生活中,很多领域都使用了计算机视觉技术,其已被广泛应用于视频监控、机器人视觉以及无人机侦察等诸多领域。目前已有大量学者对正常照度图像开展了大量研究,但低照度图像的研究却很少。整体光照不足或局部光照不均的场景捕获的图像存在亮度低、对比度不足和细节信息严重丢失等问题,致使该类图像无法达到人们预期的要求,同时严重影响到该类图像的后续应用。本文针对低照度图像增强课题展开研究,通过研究图像增强技术以提升低照度图像质量,使图像拥有更丰富的细节信息。低照度场景可分为全局光照不足和局部光照不均两种,本文利用密集连接网络作为关键技术,分别针对上述不同场景提出了以下两种图像增强方法:1)为了改善在全局光照不足条件下采集到的图像质量,通过生成对抗网络与残差密集结构相结合,并引入注意力机制,提出一种基于注意力机制残差密集生成对抗网络（Attention Residual Dense Generative Adversarial Networks,ARD-GAN）的低照度图像增强方法。首先,该方法在全局光照估计模块（Global Illumination Estimation Module,GIEM）中生成全局曝光注意力图,以引导后续模块进行更好地照度增强;其次,使用卷积残差模块（Convolution and Residual Module,CRM）和基于通道注意力的残差密集模块（Channel attention Residual Dense Module,CARDM）分别提取浅层特征和深层特征,并将提取到的不同层次的特征融合从而获取更好的细节信息;然后,在CARDM基础上将密集连接与批归一化相结合抑制噪声,采用Dn CNN监督生成网络,达到更好的降噪效果;最后改进损失函数并结合多个损失函数作为联合损失函数,使增强后图像色彩还原更好。实验结果表明,ARD-GAN有效增强低照度图像并具有更好的增强图像细节、降噪和色彩还原性能。2)针对局部光照不均的低照度场景,利用密集连接网络、误差反馈机制、注意力机制和Transformer相结合,提出了一种用于解决低照度图像中局部光照不均的问题的低照度图像增强网络,称之为多尺度误差反馈网络（Multi-Scale Error Feedback Network,MSEFN）。首先,把低照度图像送入误差反馈编码模块中,对图像信息进行压缩编码,其中误差反馈机制能够起到补充高频信息的作用;其次,将编码后的信息送入特征整合模块中,利用Transformer的特性对编码信息进行全局上下文建模;最后,将建模后的信息送入误差反馈解码模块中进行特征解码,得到增强后的图像。实验表明,MSEFN配合本文构建的LUI（Local Uneven Illumination）数据集进行训练,能够根据低照度图像不同位置的情况给予不同程度的照度提升,且在视觉效果和评价指标上均具有一定优势。