低照度图像增强是低层图像视觉任务,为多数高层图像视觉任务的预处理技术,在交通、医疗等众多领域中有着非常重要的应用。低照度图像一般是在数据采集中的过程形成,通常是由于环境处于背光条件或光照不足的原因所造成的,这样的图像非常不利于获取信息。通常低照度图像存在着这样几种缺陷:亮度不均匀、颜色失真严重、部分细节严重丢失以及易产生图像噪点,而低照度图像增强的最终目的则是改善其缺陷,使图像中亮度、颜色和细节等特性达到协调,生成具有良好视觉效果的增强图像。本文提出基于注意力引导和核选择机制的低照度图像增强算法,利用注意力引导模块解决增强图像亮度不均匀的问题,利用核选择机制模块保证增强图像颜色和细节特性的均衡,增强算法的鲁棒性,其主要工作如下:（1）构建基于生成对抗网络的低照度图像增强框架针对低照度图像增强问题,本文利用生成对抗网络作为总体框架进行图像增强。其中生成对抗网络中的生成器和判别器共同保证生成图像与真实图像的亮度、颜色和细节等特性的一致,加入自特征保留损失用来保证增强图像前后语义信息一致的问题。（2）基于图像熵的核选择机制通过实验探索到感受野大小与增强后图像的颜色失真程度及细节丢失程度有着密切的联系,然而低照度图像的颜色失真特性和细节丢失特性是一对相对矛盾的点,所以针对不同区域则需要不同大小的感受野相结合的方式进行关注。本文利用图像熵对图像增强过程中不同特征区域所要作用的卷积核大小进行引导,利用图像熵信息学习到针对特征图局部区域用以选择合适大小卷积核的权重,将其作用到特征图上,最终得到细节呈现和色彩保真两种特性相对平衡的增强效果。（3）基于图像亮度的注意力引导算法针对低照度图像存在着亮度不均匀的问题,在增强的过程中不同亮度的区域所关注的侧重也应不同,利用先验信息对其进行引导增强。本文利用灰度图进行注意力引导,通过对灰度图提取特征,再将其作用到图像特征上,可以改善图像增强后图像亮度不均匀的问题。本文算法主要通过主观评价和客观评价对增强的图像进行分析,在LOL、DICM、NPE等多个数据集进行实验,主观评价通过不同算法的增强结果进行定性分析,客观评价通过参考质量评价:结构相似性（Structural Similarity,SSIM）和峰值信噪比（Peak Signal to Noise Ratio,PSNR）和非参考质量评价:自然图像质量评价（Natural Image Quality Evaluator,NIQE）进行定量分析,结果表明本文算法在大部分主流算法中有一定的优势,PSNR评测指标上较传统算法和监督算法提高了4.2%到56.8%,SSIM评测指标上较传统算法和监督算法提高了16.6%到72.4%,评测指标SSIM上比较主流的方法高3.7%,NIQE评测指标上较主流算法在LIME、NPE和DICM数据集上分别提高了4.8%、4.1%、6.8%。同时,进行了消融实验分析,结果表明本文算法的各部分模块是有效的。