Apuntando al problema de que la evitación de obstáculos de los vehículos aéreos no tripulados (UAV) no puede detectar eficazmente los obstáculos en condiciones de baja iluminación, esta investigación propone un algoritmo de mejora para imágenes aéreas en condiciones de poca luz, que se basa en el modelo de respuesta de la cámara y la teoría de Retinex. En primer lugar, se establece el modelo matemático de mejora de imágenes en condiciones de baja iluminación, y se construye la relación entre la función de respuesta de la cámara (CRF) y la función de transferencia de brillo (BTF) mediante una ecuación de parámetros comunes. En segundo lugar, para resolver el problema de que el algoritmo de mejora que utiliza el modelo de respuesta de la cámara conduce a detalles de imagen borrosos, se introduce la teoría de Retinex en el modelo de respuesta de la cámara para diseñar un marco de algoritmo de mejora adecuado para la evitación de obstáculos de UAV. En tercer lugar, para acortar el tiempo de consumo del algoritmo, se adopta un solucionador de aceleración para calcular el mapa de iluminación, y la matriz de exposición se calcula además a través del mapa de iluminación. Además, se establece el valor máximo de exposición para los píxeles con baja relación señal-ruido (SNR) para suprimir el ruido. Finalmente, se utiliza un modelo de respuesta de la cámara y una matriz de exposición para ajustar la imagen en condiciones de poca luz y obtener una imagen mejorada. El experimento de mejora para el conjunto de datos construido muestra que el algoritmo propuesto puede mejorar significativamente el brillo de las imágenes en condiciones de baja iluminación, y es superior a otros algoritmos similares disponibles en métricas de evaluación cuantitativa. En comparación con el algoritmo de mejora de iluminación basado en la fusión de imágenes infrarrojas y visibles, el algoritmo propuesto puede lograr la mejora de iluminación sin introducir sensores aéreos adicionales. El experimento de detección de objetos de obstáculos muestra que el algoritmo propuesto puede aumentar el valor de AP (precisión promedio) en 0.556.