近年来,在低照度条件下利用近红外技术来提高图像的成像效果成为研究的热点,其中利用去除红外滤波片的传统RGB成像系统捕获的含有近红外波段的RGB（RGB＿NIR）图像是研究的内容之一。然而,RGB＿NIR图像会使可见光波段和近红外波段重叠致使图像颜色失真偏粉色。对RGB＿NIR图像进行颜色复原处理成了获得低照度下高质量RGB图像的重点。但是传统插值,矩阵变换等图像颜色复原处理方式效果并不理想。而随着深度学习的出现,给有效的解决低照度下RGB＿NIR图像颜色复原问题带来了新的希望,由于深度学习需要大量的训练样本数据,以及国内外包含低照度条件的RGB＿NIR图像数据集的缺乏,本文首先构建了RGB＿NIR图像数据集。之后分别设计了基于卷积神经网路的算法模型用于解决低照度下RGB＿NIR图像颜色复原任务和提出了Cycle GAN网络模型用于上述任务的可行性,具体工作包括:（1）利用自己搭建的采集平台采集构建了RGB＿NIR图像数据集。搭建的平台采用Sony385机芯,平台上软件控制拍摄照片的参数,数据集是在满月无风无云条件下采集四种模式:在IR-cut滤光片关闭条件下的低照度彩色RGB图像和辅助可见波段光源的彩色RGB图像,以及在IR滤光片打开条件下的RGB＿NIR图像和RGB＿NIR的灰度图像。图像数据集包含130个不同场景,总计520幅图像。（2）提出了一种新的基于卷积神经网络的算法模型AEDNet实现低照度下RGB＿NIR图像的复原问题。设计思路综合了自编码器网络结构和稠密块网络思想,在此基础上进一步将多任务的损失函数策略引用到含有近红外彩色图像颜色复原问题中。最后也针对提出的AEDNet模型和损失函数策略进行了相关实验评估。实验用到训练集图像100幅,测试集图像30幅。并对得到的实验结果做了定性定量的对比分析。结果表明,提出的AEDNet网络模型针对于低照度下RGB＿NIR图像的颜色复原问题能够得到令人满意的效果。（3）研究了生成对抗网络的变种Cycle GAN实现低照度下RGB＿NIR图像颜色复原问题。在理论上进行了相关证明,并从视觉效果上同两种最新的CDNet和ACGAN两种网络模型进行了实验比较,其中训练集图像110幅,测试集图像20幅,并对得到的实验结果做了定性定量的对比分析。实验结果表明,Cycle GAN的整体复原效果要优于其他两种网络模型。