在弱光环境下拍摄的图像具有低可见度和低对比度的特点,并且包含严重的噪声。这样的图像不仅给人带来不好的视觉感受,也不利于其他高层计算机视觉任务的研究,如目标追踪、目标检测等。针对这些问题,本文提出了一种基于曝光估计的重建模型来对低照度图像进行增强,同时也将改进的算法应用在单图像去雾任务,本文的工作主要包括以下两点:（1）本文构建了一个基于曝光估计的重建模型用于处理低照度图像增强问题。由于真实的低照度图像包含不均匀的光照,低照度图像增强算法应根据图像中的光照条件对不同区域进行相应的增强。因此,本文首先采用一个基于全卷积网络的模块学习低照度图像的全局光照图,用于指导后续模块的训练。然后,采用一个UNet模块和一个卷积神经网络模块分别获得一个具有一致亮度等级的基础图和一个系数图,并将基础图和系数图通过逐像素相乘得到一个增强的初始图像。最后,采用多个卷积层组成的子网络进一步改善初始图像的色彩以及细节信息。通过在公开的数据集和手机拍摄的真实低照度图像上的测试,充分展示了本文方法的性能。（2）本文将改进后的低照度增强算法应用在单图像去雾任务。通过对有雾图像和低照度图像进行研究分析,发现有雾图像取反后的图像与低照度图像很相似。基于这一启发,本文对低照度图像增强算法进行改进,用于反通道去雾。首先依据去雾算法的特点改进本文所提出的低照度图像增强算法,将改进后的算法应用于单图像去雾。然后,采用传统的方法估计有雾图像的深度图,并将估计的深度图和有雾图像取反后的图像一起输入到改进的网络中进行图像增强,最后将增强后的图像取反,从而得到去雾后的图像。通过在公开的数据集和真实的有雾图像上的测试,验证了改进后的低照度图像增强算法在单图像去雾任务的有效性。