实际应用中,受限于专业设备的昂贵费用,高质量的高动态范围图像(High Dynamic Range Image,HDRI)往往很难直接获得。因此,人们主要使用软件的方法将低动态范围图像(Low Dynamic Range Image,LDRI)转化为HDR图像。使用LDR图像生成HDR图像的方法主要有两种:基于多帧LDR图像的生成方法与基于单帧LDR图像的生成方法。基于多帧的方法由于场景中的运动物体或图像不对齐等原因,容易产生鬼影、锯齿等伪影。而基于单帧的方法可以避开这些问题,故逐渐受到越来越多研究人员的关注。本文研究的内容主要为基于深度学习的单帧LDR图像生成HDR图像的方法,在HDR图像重建的过程中,需要特别关注的问题主要有两个:过曝光区域的高光抑制与欠曝光区域的噪声消除。本文认为这两个任务属于HDR图像重建过程中的两个可分离子任务,且解决方法从根本上存在区别,不适合使用同一套方法解决。因此在数据上,本文对现有研究的数据以及网络上的HDR图像进行大量采集,并精心设计了HDRI-LDRI数据集制作方式,对图像中的不同曝光水平区域根据像素值分布的规律做专门的退化操作,用于网络学习图像过曝光与欠曝光区域的HDR图像重建。在网络结构上,本文先是提出了一个用于重建HDR图像过曝光区域信息的自编解码结构网络,结合过曝光区域掩膜提取的方式让网络专注于目标区域信息的学习,并利用实例正则化模块(Instance Normalization,IN)使不同种类图像的过曝光区域得到更个性化的处理;然后通过对大量的图像数据的欠曝光区域分析,明确了主要影响HDR图像重建结果的噪声问题,本文通过引入新的网络分支单独对欠曝光区域进行HDR图像重建,并提出使用高强度的双边滤波器对提取到的欠曝光区域掩膜进行降噪,这样能够有效避免最后输出的HDR图像存在的伪影带问题。在损失函数选取上,本文提出了在HSV(Hue,Saturation,Value)域中的色调通道计算输出图像与参考图像间的L2距离,以作为衡量图像颜色差异的损失函数来引导网络学习像素值的分布规律。为了验证所提方法的有效性,本文进行了不同网络模块组合的消去实验和现有HDR图像重建方法的对比实验。实验结果显示我们提出的方法有效地利用了有限的信息来恢复过曝光区域的纹理和颜色,并抑制了欠曝光区域的噪声以避免出现伪影带。此外,在客观指标得分的对比上,我们的方法同样表现出了明显的优势。