低照度条件下拍摄的照片往往存在亮度低、颜色失真、噪声高、细节退化等多重耦合问题，因此低照度图像增强是一个具有挑战性的任务.　现有基于深度学习的低照度图像增强方法通常聚焦于对亮度和色彩的提升，导致增强图像中仍然存在噪声等缺陷.　针对上述问题，本文提出了一种基于任务解耦的低照度图像增强方法，根据低照度图像增强任务对高层和低层特征的不同需求，将该任务解耦为亮度与色彩增强和细节重构两组任务，进而构建双分支低照度图像增强网络模型（Two-Branch　Low-light　Image　Enhancement　Network，TBLIEN）.　其中，亮度与色彩增强分支采用带全局特征的U-Net结构，提取深层语义信息改善亮度与色彩；细节重构分支采用保持原始分辨率的全卷积网络实现细节复原和噪声去除.　此外，在细节重构分支中，本文提出一种半双重注意力残差模块，能在保留上下文特征的同时通过空间和通道注意力强化特征，从而实现更精细的细节重构.　在合成和真实数据集上的广泛实验表明，本文模型的性能超越了当前先进的低照度图像增强方法，并具有更好的泛化能力，且可适用于水下图像增强等其他图像增强任务.