随着电子成像设备的普及和发展,越来越多的摄影爱好者拥有了自己的数码相机,他们能很轻松的拍摄一张更高分辨率和质量的照片。然而,大部分人发现如何对拍摄出来的超高清（UHD）照片进行后处理使其更具艺术感是个棘手的问题。目前,端到端图像增强的主要挑战包括学习感知增强的能力和处理超高清（如6K分辨率）图像的能力。为解决上述挑战,本文针对超高清图像增强任务,从人类视觉感知出发,利用深度学习方法构建了一种端到端的超高清人像感知增强模型。基于人类感知动机,本文提出了一种图像预处理方法和复合感知损失函数。具体来说,本文首先设计了一种基于图像曝光的数据分类算法。将数据集按照图像的局部曝光和全局曝光,从高到低分为三个不同的调性集合,每个集合分别训练一个端到端的神经网络,使网络能够更准确的学习从原始图像到目标图像的亮度变化。其次,本文对现阶段图像领域常使用的损失函数进行讨论,并使用同一网络分析它们对超高清图像增强结果的影响。最后提出了一个适合本课题,且综合了全局、结构和颜色损失的复合感知损失函数,这种损失允许网络在反向传播过程中同时优化与目标图像的距离和感知相似性。针对超高清图像增强,以往的工作往往存在训练时间长、模型参数多、硬件要求较高、细节易丢失等问题。本文使用了基于空洞卷积的全卷积神经网络,不改变网络中每层特征层大小,在保留细节、增大卷积核感受野的同时减少网络参数量和计算量,端到端的学习原始图像到目标图像的映射关系。本文中所使用的数据集包括从数码单反相机（DSLR）拍摄的7000多张模特照片（分辨率大于或等于6K）以及由两位专业修图师手工修饰的对应的增强照片。训练和测试的数据量按6:1设置。在测试集上将本文模型与其他5种相关任务模型进行了客观和主观的比较。比较结果显示,本文方法在PSNR、SSIM、NIQE等客观指标上,取得了最好的结果。因为图像美化增强具有强烈的主观性,除了使用一些经典的客观指标评估外,本文还设计了一个用户研究,将每种方法进行两两对比投票。用户投票结果显示,使用本文方法得到的图像获得了最多的票数。实验表明,本文方法可以获得较好的超高清图像增强结果。最后本文使用Python语言和Django框架,基于上述超高清图像自动感知增强模型,设计并实现了智能修图平台中的图像智能增强模块。