针对图像增强算法中普遍存在暗部区域细节丢失、亮部区域过度增强等问题，提出了基于自适应截断模拟曝光和深度融合的增强算法。对原始低照度图像进行模拟曝光，通过卷积网络学习曝光序列对应的权重图并在网络内部实现加权融合，获得增强结果。在生成模拟曝光序列的过程中，对图像进行亮暗区域分割，然后对其进行截断性自适应伽马校正，最后通过引导滤波降噪获得合适的曝光序列。获得多曝光序列后，通过基于空洞卷积的上下文聚合网络，实现快速灵活地加权融合，得到最终增强结果。收集了大量公开数据集，并使用微光夜视相机和三通道真彩色相机收集了实验室环境测试集，在不同数据集上和经典主流算法进行了对比实验。实验结果表明，本算法的NIQE、PSNR和SSIM指标都是最好的，其中NIQE降低了4.49%，PSNR提高了4.28%，SSIM提高了1.94%。此外，算法的色彩还原效果也很好，色差指标是所有算法中最小的，在8.71×10^-2 lx照度下，本算法色差减小了14.83%，在1.02×10^-2 lx下减小了3.05%。本文算法可以明显提高图像亮度和对比度，鲁棒性较好，不会产生过度增强现象，有效恢复图像细节的同时兼顾色彩信息，增强结果真实自然。

为提高图像质量评价模型的准确性，提出一种基于色貌尺度相位一致性的全参考评价模型。首先，在CIELAB色空间的色貌指标Vividness上提取图像结构信息，得到色貌尺度上的相位一致性量值；然后，利用均方根法计算对比度相似图，并在通过上述色空间的颜色通道获取色度相似图；最后，将相位一致性、对比度以及色度三种图像特征结合，采用标准差法进行求和池化，得到全参考图像质量评价计算模型。为验证本模型的可靠性，对4个常用图像数据库中的失真图像进行测试，依据4项评价标准分析其预测精度、计算复杂度及泛化性。实验结果表明，模型在上述数据库中测得的Pearson线性相关系数值最低为0.878 1（TID2013），最高达到0.961 6（LIVE）；Spearman秩相关系数值最低为0.859 2（TID2013），最高达到0.965 3（LIVE）。与多种现有方法相比，本图像质量评价模型具有更高的视觉关系预测精度。

针对实地采集红外数据成本高、难度大，且实效性较低的问题，提出一种基于条件生成对抗网络的红外图像生成算法。在条件生成对抗网络架构的基础上，利用D-LinkNet构建生成网络，从而较好地学习图像的纹理和图像间的依赖关系；通过PatchGAN构建判别网络，进而有效地处理图像的高频分量，并降低计算量。同时，结合批归一化处理技术优化训练过程，缓解生成对抗网络模式坍塌现象。最后在制作的红外/可见光数据集上进行实验验证，实验结果证明，本文算法能够生成高质量可靠的红外基准图。