在采集图像时，由于场景光照条件差或者设备的补光能力不足，容易产生低照度图像。低照度图像存在视觉感受差、高噪声、使用价值低（难以辨识图像内容）等问题，所以针对低照度图像增强算法的研究有很大的意义。近年来随着深度学习的火热，以卷积神经网络为主的深度学习方法逐渐取代了传统的低照度图像增强方法成为了研究热门。所以本文主要围绕着基于卷积神经网络的低照度图像增强方法进行研究。
　　由于目前在低照度图像增强的研究领域中，缺乏一种合适的无参考图像质量评价方法可以用于增强后图像的质量评价，所以本文首先提出了一种基于卷积神经网络的无参考图像质量评价方法。该方法通过噪声程度、清晰程度、可视程度这三个维度综合去评价一张增强图像的质量。本文使用卷积神经网络作为失真图像的特征提取器，通过提取的特征判断图像相应的失真程度并给出分数。对于任意输入的图像，网络会输出图像三个维度的评价分数，将三个分数加权求和即可获得图像质量的最终评分。通过实验将本文方法与现有的图像质量评价方法进行比较，结果证明本文方法具备较好的性能。
　　然后，本文提出了一种基于卷积神经网络的低照度图像增强方法。该方法由多任务卷积神经网络方法和生成对抗网络方法组成。其中多任务卷积神经网络方法包括使用分解网络对图像进行分解以及使用增强网络对图像进行增强。分解网络基于Retinex理论设计，可以将输入的低照度图像分解成光照图像和反射图像。增强网络对分解后的图像进行进一步处理和增强。同时提出一种判别网络对增强图像与真实亮图像进行判别。增强网络和判别网络组成生成对抗网络，利用判别网络对增强网络进行监督，使其获得更好的输出结果。最后使用LOL数据集、多曝光图像数据集以及真实低照度图像将本文方法与现有方法进行比较。通过实验证明，本文方法具备较好的增强效果。增强后的图像噪声较少，细节恢复的更多。同时本文方法具备较好泛化能力和可观的处理速度。