现今,高比特显示器已经成为展示比特图像领域的主流产品。现存的图像以低比特为主,通过简单的补零操作在高比特显示器上显示低比特图像时,低比特图像带有的伪轮廓和颜色失真将直接展示出来。如果在高比特图像重建过程中不解决颜色失真和伪轮廓问题,将无法获得高比特显示器所带来的优异视觉体验。但是通过目前存在的图像比特深度算法得到的高比特图像,仍然存在视觉上可见的伪轮廓和颜色失真。基于此,本文提出一种新的图像比特深度增强算法,致力于消除低比特图像上的伪轮廓和颜色失真。本文做的主要工作有:首先,因为瑞利判据和对比敏感度可以对人眼的观察起到一定的决定性作用。如黑白条纹的间隙过于小时,人眼会将其看成黑色和白色的结合色（灰色）,而这个临界值正好可以由瑞利判据得出。所以当图像的空间频率较低时,结合对比敏感度函数发现,该图像需要较多的比特表示才能满足人眼中平滑过渡的需求。基于此,本文提出交替上下采样算法对低比特图像进行重建,并利用神经网络的端到端学习,使重建图像不断地向真实图像靠近。其次,本文对所设计的网络参数进行了实验性地验证,并与文献中相关算法进行了充分对比。其中主要的工作内容包括:第一,以模块数量为单一变量,得到适合本神经网络的采样模块数,从而确定恰当的网络规模。第二,改变交替采样网络的采样倍率,探究最适合交替采样网络的最佳采样倍率。第三,通过从最低1bit到8bit重建至高比特16bit的实验,得到较适合的低比特位深。第四,将本算法与现在文献中的主流算法作对比实验,发现本算法取得了目前最优的客观指标和主观效果。最后,本文对所提算法做了如下验证实验。首先,为了充分发挥上下采样网络模型的泛化能力,在网络模型中加入了GDN（Generalized Normalization Transformation,广义归一化变换）层。其次,为了验证本文使用的损失函数,本文改进了损失函数,在相同的网络模型中对L2和L1损失函数的组合应用进行主观效果对比。最后,为了验证网络结构的更多可能性,本文还实践了下上采样网络模型结构。通过以上实验发现,本文所提算法取得的效果最佳。