现如今,工业科技的提升带动了各种各样的成像设备进步,拍摄出的图像质量也日益提升。但由于客观条件的限制使得拍摄出来的图像难以满足实际需求。例如,在缺少光源的低亮度环境和夜间的户外,由于光线的不足,摄影设备所获得的图像往往存在细节丢失,色彩偏差,清晰度和对比度低等诸多问题。然而,这种环境无法避免,因此通过算法后期处理拍摄图像成为了唯一途径,低亮度图像亮度增强技术应运而生。当前,大部分图像亮度增强方法都是基于低亮度图像的成像模型或者深度学习技术所提出的。基于模型的方法由于求解参数的不精确性会导致增强结果存在色偏和失真等情况;基于深度学习的方法能够很好地学习降质图像与清晰图像之间的关系映射,但目前还高度依赖数据集的可靠性,而现如今的数据集还不完备。因此,此类方法是目前该领域的研究热点。本文基于深度学习技术,结合低亮度图像的特点,提出了两种低亮度图像亮度增强网络。此外,为了弥补现如今图像增强领域在户外增强数据集的缺陷,本文构建了一个新的户外低亮度增强数据集。本文的主要创新工作如下:（1）针对目前主流的图像亮度增强网络在特征提取过程中的存在的细节丢失问题,本文提出了一个多尺度网格图像增强网络。网络包含三种主要模块:平滑卷积级联块、双尺度特征下采样融合块和双尺度特征上采样融合块。为了避免网络在学习过程中特征图尺度降低而导致的细节损失,网络构建一个主干道分支保证特征图和输入图像的大小一致,并采用叠加多个平滑卷积级联块提取特征,来减少网络的参数量和计算量。为了提取更高级别的结构信息,网络通过缩小原始特征图的大小设计三个分支来实现图像不同尺度的特征提取。在网络的最后将不同尺度的特征进行整合,以获得最后的增强图像。为了更好的训练网络,在损失函数中引入了色差损失来保证图像的色彩更准确地恢复。在公共数据集LOL上的大量实验结果表明,所提出的方法不管在客观还是主观结果方面,都优于现有的主流图像亮度增强方法,证明了方法的有效性。（2）已有的图像亮度增强方法大多只考虑在图像的单尺度上提取特征,这通常会存在特征提取不全的问题,因此本文提出了一个基于深度学习的多尺度残差特征融合图像增强网络。网络包含两个模块:浅层特征提取模块和多尺度特征融合模块。首先,通过简单卷积层和平滑卷积残差块构建的浅层特征提取模块能够提取多尺度浅层特征。平滑卷积残差块贯穿整个网络以提取特征并避免网格化伪影。然后,通过级联多个特征整合残差块构建多尺度特征融合模块,以融合相同尺度的浅层和深层特征。最后,融合的特征通过一个卷积层后得到增强的结果。在LOL数据集和本研究中提出的户外低亮度增强数据集中的实验结果表明,与一些最先进的方法相比,该方法的增强结果可以提供更准确的色彩饱和度和更丰富的细节,证明了方法的性能和效果。（3）此外,为了弥补当前低亮度增强领域的数据集大多通过合成或者集中在室内的缺陷,本文构建了一个户外低亮度增强数据集。通过充分的实验,证明了该数据集的有效性。