高动态范围（High Dynamic Range,HDR）是一种提高显示信号质量的技术。它与原有的标准动态范围（Standard Dynamic Range,SDR）形成对比,改变了视频和图像的亮度和颜色在信号中的表示方式,并允许更明亮的高光、更暗的阴影、更精细的细节以及更广泛更强烈的色彩表现。新兴的现代显示器能够呈现具有高动态范围和广色域（Wide Color Gamut,WCG）的超高清媒体内容。虽然这样的原生内容正日益增多,但总量仍然严重不足。考虑到现存的大量具有标准动态范围的传统内容或可利用,因而涌现出了对相关转换技术的迫切需求。在本文中,我们尝试解决针对媒体内容和消费级显示器的SDR到HDR-WCG转换任务,主要工作包括以下两部分:（1）基于有监督深度学习的深度逆色调映射算法。针对现有采用分治策略的方法（独立地训练多个相继的子网络）由于累积误差导致的性能劣化问题,本文提出了一个基于深度学习的SDR到HDR解决方案——混合条件深度逆色调映射（Hy Cond ITM）。这是一个端到端可训练的模型,能够在一个统一的流程中对图像进行全局变换、局部调整和细节修饰操作。为此我们提出了一个混合条件网络,可以同时提取全局和局部先验以指导基础网络实现场景自适应和随空间变化的操作。全面的实验分析验证了我们模型设计的有效性,并且表明我们的方法在客观指标与视觉质量方面都优于以前的方法,达到了最先进的性能。（2）基于非配对数据学习的深度逆色调映射算法。针对当前SDR-HDR成对数据短缺的问题,探索尝试了基于非配对数据学习的解决方法。在前一点工作的基础上,提出了对模型结构、损失函数与训练模式的改进扩展,使模型得以从非配对数据中学习从SDR到HDR域的映射关系。结合HDR图像特性,提出了基于ITP色彩表示的内容损失函数,用来实现在转换前后不同表示形式下的内容一致约束。实验验证了提出改进的有效性并表明该方法相比现有方法能够获得客观指标更优、主观质量更好的结果。