低照度图像中亮度、颜色、细节等特征往往存在于不同尺度的信息中，因此实现高质量低照度图像增强极具挑战性.现有基于深度学习的方法无法充分利用多尺度特征，也无法有效结合多个尺度的特征，不能全面提升图像的亮度、颜色和细节质量.针对上述问题，文中提出基于Transformer的多尺度优化低照度图像增强网络(Transformer-Based　Multi-scale　Optimized　Network　for　Low-Light　Image　Enhancement,　TMO).首先，设计基于Transformer的多任务增强模块，经多任务训练后具有对亮度、颜色、细节的全局建模能力，因此可以初步应对低照度图像存在的亮度不足、颜色偏差、细节模糊、噪声较多等多退化类型挑战.然后，设计结合全局和局部多尺度特征的架构，逐步优化不同尺度的特征.最后，提出多尺度特征融合模块和自适应增强模块，在学习和融合各尺度间信息关联的同时实现在各局部多尺度分支中自适应地增强图像.在6个包含成对图像或不成对图像的公开数据集上的广泛实验表明，文中网络能够有效地综合解决图像中亮度、颜色、细节、噪声等多退化类型问题.