可见光夜景图像受限于其较弱的光照环境,若拍摄不当则存在图像噪声过大、图像模糊以及动态范围受限与过曝光等像质退化的问题。这些问题会严重影响可见光夜景信息的准确采集和处理。可见光夜景图像的像质提升技术研究,对于降低成像系统的硬件要求,提升其拍照性能以满足使用者更广泛的生产和生活需求具有重要的现实意义。可见光夜景图像的长曝光需求造成了模糊,高感光度需求造成了高噪声,场景的极限动态范围造成了动态范围受限和过曝光的问题。针对以上综合性问题,本文分别从图像去噪、图像去模糊和过曝光修复三个子方向提升成像质量。在可见光夜景图像的降噪问题上,本文着重研究了噪声的空间相关性问题。空间独立的噪声信号由于图像处理流程中颜色插值和颜色空间变换等操作变得像素间空间相关。继而从噪声概率模型出发,提出了一种基于硬件标定的噪声修正模型,以解决其空间相关性问题。实验表明,经过修正后的算法能够有效地解决原先算法中残留的团块噪声,提升了视觉效果。在可见光夜景图像的过曝光修复问题上,提出了一种修正的雾图模型以描述过曝光的现象。该模型假设过曝光区域是正常曝光图像附加上一层由光源或高反射面造成的非均匀雾层。进而提出了一种基于雾图模型和图像融合技术的过曝光修复算法。实验表明,相比于传统的过曝光修复算法或HDR校正算法,该算法的复原结果具有更多的细节、更少的噪声和更真实的颜色信息。在可见光夜景图像的去模糊问题上,采用传统方法和深度学习方法两条技术路线进行复原。在传统方法中,提出了一种基于内置传感器信息和短长短曝光策略的盲复原算法。该算法的核心思想在于通过内置姿态传感器信息采集成像系统曝光过程中的运动状态,通过短长短的曝光策略修正传感器的数据误差,以得到较为准确的模糊核估计,减小对场景信息的依赖。对于估计得到的模糊核,再通过半盲迭代,以精细化结果。实验对比表明,所提盲复原算法具有更快的计算速度、更广泛的场景适应性和更好的噪声与振铃抑制效果。在深度学习方法的图像去模糊中,提出了一种显著边感知的多尺度参数复用神经网络EASRN,用以解决夜景图像中如过曝光点和椒盐噪声等奇异像素对去模糊的干扰问题。该方法从数据集的构建端解决过曝光像素对去模糊的影响。在网络结构方面,本方法提出了新型的多尺度参数复用网络。在损失函数方面,本方法提出了一种显著边感知的损失函数,以抑制振铃。实验表明,EASRN有效地解决了包含过曝光像素的图像去模糊问题。综上,本文通过在降噪、过曝光修复和去模糊三个方面提出创新性算法有效解决了夜景图像的像质退化问题,提升了成像系统的拍照性能。