在夜晚或低光照条件下,由于采集到的光子数较少,信号信噪比较低,导致成像装置无法精确地捕捉到图像的细节和色彩,从而对图像的质量造成很大的影响。这不仅会对人的视觉产生一定的影响,同时也给计算机视觉任务带来了巨大的挑战。低光照图像增强技术可以降低图像噪声、提高图像质量,有较大的研究价值。近年来,低光照图像增强技术已经取得了很大的进步,但是现有的算法增强后的结果仍然出现对比度较低、过度曝光、模糊不清以及噪声等现象。为了解决这一系列问题,本文利用深度学习相关理论,对低光照图像增强进行了相关的研究。文章的工作主要包括以下几个部分:（1）本文设计了一种基于局部二值模式（Local Binary Pattern,LBP）的渐进式特征聚合网络,来完成低光照图像增强任务。LBP特征对光照不敏感,包含丰富的纹理信息。在网络中,使用引导的方式将LBP特征加入到网络的每次迭代中,这有助于恢复低光照图像的细节信息。首先,在双重注意力机制的作用下,提取原始低光照图像中的全局特征信息。其次,在特征聚合模块中,将提取到的不同的特征加以聚合。接下来,使用循环层来共享不同阶段提取的特征,并引入残差层进一步提取更深层次的特征。最后,输出增强后的图像。通过消融实验验证了该方法的合理性,与其他许多先进的方法相比,该方法在视觉比较方面和定量评估方面都具有较大的优势。（2）设计了一种多级模块化网络模型用于低光照图像增强。此任务分为三个阶段:特征提取阶段、特征聚合阶段和图像增强阶段。除去输入层和输出层,网络共有88层,端到端地完成了低光照图像增强的任务。网络从底层向上层抽取了局部和低级的特征,如色彩、纹理等。最后,将全局信息和局部信息逐层合并。该方法解决了现有的低光照图像增强方法存在的一系列问题,并且在多个公共数据集上验证了该方法的有效性。同时,该方法与现有的多个方法进行了图像增强对比。经过大量的实验验证,本文提出的算法可以有效地提高低光照图像的质量,并且在几个定量评价指标方面也优于最先进的低光照增强方法。