在图像的预处理阶段,为了提升图像的可识别度以及为后续的检测、识别、跟踪、分类等操作提供方便,优化图像的像质,常常需要使用图像增强技术。其主要内容是突出图像中的感兴趣部分,减少或去除噪声等干扰信息,从而使人眼和计算机更容易识别图像中的关键信息。图像增强的方法有很多,但相对而言,基于视觉神经元理论的Retinex技术对低质图像的处理效果较为理想,该理论认为物体的颜色是由物体对光线的反射能力决定的,且不受光照非均性的影响,具有一致性。基于这一理论,相关研究者提出并实现了多种基于Retinex模型的算法。本文重点研究了基于视觉神经元特性的Retinex的理论,并对现有算法中出现的严重光晕现象以及对照度图像估计不准确从而导致过曝光和细节丢失的问题进行了改进,提出了基于视觉神经元的Retinex图像增强算法。本文的主要研究工作如下:（1）研究了视觉神经元机制。对基于神经元的Retinex理论,非典型感受野抑制机制,以及照度图像和反射图像的先验条件进行了研究。为后续的算法提供了视觉神经学的理论支撑。（2）提出了基于Non-CRF抑制机制的Retinex图像增强方法。该算法将人眼的Non-CRF抑制属性与变分函数相结合,使增强结果更符合视觉属性。对影响图像增强结果的权值矩阵以及转换函数进行了分析,证明了构造加权目标函数的意义。同时还对该方法的数值解法进行了分析和优化,提升了算法的效率。（3）提出了改进的基于L₀范数的Retinex图像增强方法。分析了L₀范数特性,它具有更好的稀疏性以及不变性,可以对变分函数进行更强的约束,从而得到更加结构分明的照度图像,减小了光晕现象发生的几率。同时研究了去噪算法,对增强后的图像进行去噪操作,有效抑制了由于亮度增强而放大的暗处噪声。（4）研究了评价图像像质的指标。利用LOE、IEM、PCQI、NIQE、PSNR等指标对图像的光照保留程度、对比度增强效果、去噪效果等进行客观评价。并结合主观评价,分析图像的增强效果。