图像去雨是指将图像中的雨纹去除,以恢复得到高质量的图像,它属于底层视觉的图像处理。近些年,随着深度学习在图像领域的兴起与广泛应用,图像去雨也受到许多学者的关注。本文主要以卷积神经网络为基本理论。结合最新的扩张卷积、注意力机制、双路网络和门控网络等方法,设计针对性的网络结构模型,实现有效的单幅图像去雨任务。本文具体的研究工作如下:(1)提出基于双注意力的残差循环单幅图像去雨集成网络(RDARENet)针对目前单幅图像去雨算法存在雨纹残留和图像细节纹理恢复效果不好等问题,本文提出了一种新的基于双注意力的残差循环单幅图像去雨集成网络。该网络通过将原始雨图像作为全局特征,分别与每个阶段的去雨模块输出图像拼接,逐步地去除雨纹,且增加了双注意力机制以更好地区分雨纹和背景图层。最后在网络的输出模块采用门控网络,自动融合各阶段图像细节信息,得到高质量的图像。(2)提出多尺度编码-解码结构的单幅图像去雨网络(MSEDNet)针对单幅图像去雨算法运算时间效率低的问题,本文提出了出多尺度编码-解码结构的单幅图像去雨网络。借鉴编码-解码结构的思想,在编码的结构中将输入图像进行下采样,每个下采样层分别经过特征细化模块操作,提取丰富的特征信息。最后将特征图逐步的上采样,并且与上一个阶段的特征图聚合。通过不同尺度的特征提取网络,能更好地聚合雨纹地特征。在仿真和真实雨数据集的实验结果表明,所提出的网络很好去除雨纹且运算速度较快。