图像增强旨在提高原始数据的质量和信息含量,突出图像的整体或局部特征,改善图像的视觉效果,以满足特定场景的需求。图像增强技术广泛应用于航空航天、生物医学、公共安全等领域,具有重要的研究意义和实用价值。近年来,大量研究学者将卷积神经网络应用到图像增强算法中,取得了卓越的性能,但对图像高频信息的重建仍然存在一定欠缺。针对上述问题,本文以低光照图像和磁共振图像为对象开展图像增强算法研究,基于深度学习技术开展了如下工作:（1）提出了一个轻量级且高效的亮度感知金字塔网络（LPNet）,用于从失真的暗图像中重建清晰的正常光图像,改善低光照图像饱和度低、对比度差、包含噪声等问题。同时设计了一个亮度感知的辅助子网络,用于学习输入图像和目标图像之间的亮度映射。此外,提出一个多尺度对比度特征模块（MSCFB）作为LPNet的重要组成部分,在该模块中引入了通道分裂、重排策略和对比度注意力机制,来提取多尺度图像特征和对比度信息,实现了图像质量和模型大小之间的较好平衡。（2）提出了一个基于注意力机制的金字塔结构（APNet）,用于从低磁场（3T）的磁共振图像中重建出信噪比更高的高磁场（7T）图像,提高对组织变化和解剖细节的敏感性,从而缓解7T设备少、扫描费用高等问题。此外,还提出了一个稠密级联残差模块（DCRB）作为网络的基本单元,实现模块内部数据交流及高效特征表示,有利于重建清晰的纹理细节,合成真实的7T磁共振图像。为了验证所提方法的有效性,本文进行了大量的实验探究。对于低光照图像增强算法,本文在多个数据集上进行训练和测试,在PSNR、SSIM、NIQE等评价指标上的结果均优于其他的增强方法。此外,对金字塔结构、亮度感知及损失函数等方面进行了消融分析和参数分析。针对磁共振图像增强算法,本文在公开数据集HCP1200上展开实验,与其他方法进行定性和定量的比较,并对于提出的稠密级联模块和深度监督损失等进行消融分析。大量实验结果充分说明了本文所提算法的优越性。