针对在低光照环境下拍摄的图像受光照强度的影响而导致图像质量差的问题，本文提出了基于双边滤波的MSR与AutoMSRCR算法融合的低光照图像增强算法。首先，在原始低光照图像的HSV颜色空间中针对V分量使用基于双边滤波MSR算法对亮度通道进行增强，得到保留原有色彩信息的亮度增强图像。然后，将此初始亮度增强图像运用CLAHE算法基于LAB颜色空间进行亮度通道细节增强，得到细节增强的图像。最后，采用AutoMSRCR算法对原始低光照图像进行处理，并与细节增强图像进行加权融合得到最终的增强图像。以UCIQE，AG，SD，IE为评价指标，将经过该算法增强的图像与MSR算法，MSRCR算法，CLAHE算法，改进GAMMA算法等进行比较。结果表明，使用该图像增强算法处理的图像效果最佳，UCIQE达到了0.472 1，AG达到了12.674 2，SD达到了0.263 2，IE达到了7.637 9。增强后的图像色彩信息更加丰富，图像更加清晰，图像对比度更好，图像的边缘纹理信息保留更完整，图像质量更高，本研究为低光照图像增强提供了一种可行方法。

图像语义分割需要精细的细节信息和丰富的语义信息，然而在特征提取阶段，连续下采样操作会导致图像中物体的空间细节信息丢失。为解决该问题，提出一种双分支结构语义分割算法，在特征提取阶段既能有效获取丰富的语义信息又能减少物体细节信息的丢失。该算法的一个分支使用浅层网络保留高分辨率细节信息有助于物体的边缘分割，另一个分支使用深层网络进行下采样获取语义信息有助于物体的类别识别，再将两种信息有效融合可以生成精确的像素预测。通过Cityscapes数据集和CamVid数据集上的实验验证，与现有语义分割算法相比，所提算法在较少的参数条件下，获得了较好的分割效果。

为了解决原始红外图像动态范围高、图像对比度低、边缘模糊等问题，提出了一种基于自适应引导滤波的红外图像细节增强算法。首先，利用设计的参数自适应引导滤波将输入图像分成基础层和细节层。然后，利用平台直方图均衡化压缩基础层动态范围，利用掩膜加权和γ变换抑制细节层噪声并增强图像细节。最后，将处理后的基础层和细节层线性加权并拉伸到显示范围。实验结果表明，相比于传统和先进的红外图像细节增强算法，本文算法具有更强的场景适应性，在高动态范围场景、复杂室外场景以及海天场景都获得了更好的增强效果。相比于先进算法，本文算法在平均梯度上平均提高35.3%，在基于感知的图像质量评价指标上平均提高10.7%。本文算法可以有效压缩红外图像动态范围，显著提高图像对比度和清晰度，处理结果更有助于人眼观察。

针对卷积神经网络类图像去雾方法存在的细节丢失、颜色失真、去雾不彻底等问题，提出一种基于阶梯网络与注意力交叉融合的端到端图像去雾算法。整体网络模型包含特征提取、特征融合、图像重建三个模块，其中特征提取包括有雾图像细节和轮廓特征的提取，由阶梯网络的不同阶梯层提取实现；特征融合模块以注意力机制的交叉融合实现，并结合自适应残差处理获得最终的融合特征；最后在图像重建模块，通过非线性映射的方式获得去雾图像。实验结果表明，所提方法去雾彻底，去雾图像细节丰富，有效地解决了颜色失真和细节丢失问题，同时阶梯网络在很大程度上克服了深度网络的训练耗时问题。