本征图像分解是计算机视觉领域中一个颇具挑战性的任务,其目的是从观测图像中恢复出一系列能够描述图像本质的特征部分。由于每种特征部分所表示的不同物理意义有益于许多图像处理任务,本征图像分解这一问题被广泛研究。传统方法通常根据先验知识在能量模型中构造正则项来解决这一问题,虽然在理论上有保障,但其求解过程常常耗费大量计算资源。最近,基于网络来解决这一问题的方法在运行时间和图像品质上都取得了不错的成果,然而这类方法的网络结构通常是启发式的设计而成,整个模型就如同一个黑箱,且其泛化能力受到数据的限制。为了克服以上缺陷,本文从不同的角度提出了两种解决方法。第一种方法考虑结合深度学习与传统优化方法的优势,先根据Retinex理论设计出能量模型,再将网络模拟的深度先验替换展开式优化过程中的先验项求解,使得模型在具备理论保障的同时,性能与速度都得到提升。第一种方法虽然性能良好,但某些参数需要手动调整。因而在第二种方法中,本文设计了一个可以端到端训练的网络ERDNet来解决本征图像分解任务。ERDNet的整体结构设计参照了Retinex理论,对于其构建模块ERDB,参考和吸收了深度学习领域不同网络结构的优点,使之能充分利用图像数据的层次特征。同时在设计损失函数时加入了重建损失,使得整个模型受到物理成像规律约束,从而确保了观测图像和重建结果的一致性。总的来说,本文基于Retinex理论和深度学习技术,分别从传统优化角度与深度学习角度出发提出了两种算法用于解决本征图像分解问题,并根据任务之间的联系,成功将算法应用于相关的低光图像增强任务中。实验结果显示,本文的模型在与其他最新方法的对比中具备更好的数值结果和视觉效果。