随着深度学习的快速发展,计算机视觉系统得到了广泛的应用,例如无人机航拍、视频监控、户外体育直播以及充满潜力的无人驾驶系统。但是在恶劣的气候下,尤其是自然界最常见的雨天,由于雨水条纹的影响,导致成像系统捕获到的图像质量大大降低,这往往造成计算机视觉算法产生严重的错误。因此,图像去雨技术逐渐成为研究的热点,开发出高效的自动去雨算法具有重要理论价值与实际应用价值。考虑到注意力机制可以在卷积神经网络中自适应地激励需要的特征并抑制不需要的特征,本文将其应用到图像去雨中,让网络模型专注于学习雨图中雨条纹的结构而对背景图的内容进行抑制,从而提高图像去雨的性能。具体研究成果和内容总结如下:1、提出了一种基于注意力残差网络的图像去雨算法。以残差网络为基准模型,在此基础上引入CBAM注意力模块,该注意力模块首先在通道维度上调整每个通道的权重,然后在特征图空间维度上调整每个位置的响应强度,这可以大大增强网络的表示能力。2、提出一种双注意力网络的图像去雨算法。首先设计了双注意力模块DAB,在通道维度上每个通道学习出代表雨条纹强度的常数,再将其加在原始特征图上;由于雨条纹不是铺满在整个图像空间的,再通过空间维度来微调特征图空间每个位置的像素值。将DAB和残差模块结合成Res-DAB,此外还提出了残差稠密模块RDB和多尺度特征聚合模块MAM,通过堆叠三个模块形成了双注意力网络。3、在双注意力网络的基础上,提出一种多阶段（两阶段）双注意力网络的图像去雨算法。在获得初级雨条纹后,将其与雨图拼接,然后用逐像素相加的方式将两阶段的浅层特征图进行了融合,强化了网络在有雨的位置的响应,提高去雨性能。在Rain100L和Rain100H数据集上的大量实验,证明了本文所提方法的有效性,可以使图像去雨性能在评价指标PSNR和SSIM上得到显著提升,在去雨的视觉效果上,恢复的图像有更清晰的纹理细节,与其它方法相比去雨效果得到增强,为户外计算机视觉系统（如无人驾驶、目标检测、视频监控等）在雨天的稳定运行提供了有力的保障。