高动态范围（HDR）成像技术能够更真实地还原现实世界的光照条件，而传统的低动态范围（LDR）成像在处理高动态范围图像时则难以准确呈现。然而，目前绝大多数图像内容仍仅以LDR形式存在。本文提出一种基于深度卷积神经网络（CNN）的全新方法，称为ExpandNet，用于从LDR内容生成HDR内容。ExpandNet以LDR图像为输入，以端到端的方式生成动态范围扩展的图像。该模型旨在重建因量化、截断、色调映射或伽马校正等过程而丢失的原始信号信息。重建所依赖的额外信息源自网络通过监督学习方式从HDR图像数据集中学习到的特征。该方法完全自动化且数据驱动，无需任何启发式规则或人工干预。ExpandNet采用多尺度网络结构，避免使用上采样层，从而提升图像质量。在多个量化指标下，该方法相较于现有的扩展/逆色调映射算子表现出优异性能，即使面对严重曝光不当的输入图像，仍能取得良好效果。