计算机视觉已经在人工智能这个引领全球先进科技的领域中占有举足轻重的地位,目前研究者们在常规的图像增强、图像识别、目标检测等任务中已获得出色的研究成果。然而在我们日常的工作和生活场景中,仍有许多极端环境下的与图像相关的工作容易被忽视,譬如雨天、雾天、低照度、低分辨率等场景下的图像处理工作。针对其中的低照度场景,由于拍摄设备的曝光程度以及现实场景中的光线不充足等原因,通常会导致获取的图像亮度较低,并且得到的图片将会丢失大量有效信息,同时视觉效果也相对较差,使得后续的图像处理如图像识别、检测、分割等任务效果不佳。目前大多数低照度图像相关的工作都是先将低照度图像进行增强亮度的预处理,再进行后续的其他任务,然而,两个独立的工作在现如今快节奏高效率的工程需求中显得过于繁琐,本文根据低照度图像的特殊性,研究出一种低照度图像增强的方法,以及一种针对低照度图像识别方法,主要内容如下:（1）针对低照度图像亮度较低、光照不均、图像特征不明显,提出了一种基于互信息变分胶囊自编码器的低照度图像增强网络。首先在编码器中通过胶囊结构获取特征以生成均值与方差,利用重参数技巧采样得到隐变量z,为了丰富生成的增强图像的用来细节,输入一个拥有先验分布的隐变量c与隐变量z进行特增融合;接着在解码器中使用由上采样和卷积层组成的三个解码块来生成增强后的图像。为了使得隐变量c与输出的生成图具有最大的依赖性,引入互信息最大化,在最大化过程中添加由四层卷积组成的Q模块对隐变量c的后验概率进行拟合。实验结果表明,该模型能够有效的增强图像的亮度,且对比其他经典模型,色彩和细节上的视觉效果更好。（2）针对低照度图像信息缺失导致的图像识别效果较差的问题,提出了一种基于注意力机制与胶囊网络的低照度图像识别算法。首先通过分别利用全局与局部注意力获取特征进行融合,全局注意力拥有更大的感受野可以获得全局感知信息,局部注意力可关注更多的细节内容,使得模型从低照度图像中获取了更多可识别的有效信息,将所得权重加权在待识别特征中,再输入到胶囊结构中,通过动态路由算法从低级实例映射到高级实例中,获取识别结果,并且在图像重构模块中,学习到正常找到图像的重要信息,进一步提高识别能力。实验结果表明,与其他常规图像识别模型相比,该模型端到端地解决了低照度图像识别的问题,并得到了更好的实验结果。