随着通讯技术的发展和拍摄设备的普及,智能视频监控广泛应用在智慧交通、公共安全等领域。然而在事故高发的夜间场景,由于光照不足、光照不均、雨雪雾等极端天气以及拍摄设备等的影响,夜间视频通常存在低对比度、高噪声等特点,大量细节信息丢失,严重影响人们对视频内容的理解和分析。为获得视觉效果良好的视频图像,并进一步挖掘其中的关键信息,建立夜间视频背景模型,提高其可用性,本文主要完成的工作如下:(1)针对夜视图像亮度不均、噪声大等问题,提出一种基于生成对抗网络的低质视频增强方法。不同于现有的经典增强方法,利用生成技术实现低质夜间图像到白天图像的映射。为了恢复夜视图像特别是其强光区域信息,通过融合生成子网络强化源图像中的目标信息在网络流中的传递。此外,通过对抗损失、多层感知损失、变分损失的约束提升生成图像质量;(2)为解决夜间场景下背景建模中的低对比度问题,创新性地提出一种基于生成的背景建模模型—N2DGAN。对于给定的参考帧,在时空一致性约束下,生成网络将夜视视频映射到一个虚拟白天场景下,以增加前景和背景之间的对比度。为了抑制生成过程中出现的不可避免的噪声,在虚拟白天域内通过多尺度贝叶斯模型建模,提高模型的鲁棒性。最后在本文构建的数据集上验证了算法的性能以及模型设置的合理性;(3)针对N2DGAN背景模型检测目标区域缺失问题,提出一种基于半监督学习的前景目标补全方法。利用已检测目标作为标记信息,通过半监督学习进行空域建模,实现标记传播,完成目标区域补全。此外,对于补全的夜视图像目标区域,通过目标敏感的局部图像增强,并与真实白天背景图像融合,提升了前景目标可视化效果。