在雨天环境下,雨纹、雨滴或雨雾会遮挡图像或视频上的物体,使图像或视频模糊,严重影响了户外视觉系统的应用。因此,对雨天图像进行去雨恢复具有重要的研究意义。本文的雨天图像去雨算法主要是结合卷积神经网络进行研究和改进,并利用单幅雨天图像的成像模型,合理地设计网络结构,提出了两种去雨算法和一种去雨雾优化算法,实现雨天图像去雨。具体研究成果和内容总结如下。首先,针对雨天图像去雨过程中图像细节模糊或纹理信息丢失问题,本文提出一种端到端的基于联结残差网络的单幅图像去雨算法。该网络利用一种改进的残差块进行残差学习,同时设计联结结构,实现多特征提取雨纹信息,提高去雨算法的性能。其次,针对深度学习中深度网络出现的模型退化问题,本文基于U型结构建立了一种具有注意力特征的多尺度融合去雨网络模型。该模型对U-Net网络结构做了改进,有效地减少网络深度。然后设计了一种新型的多尺度特征提取和融合的方式,以增大对网络的感受野和推动图像信息的融合,避免梯度消失,提高学习效率。最后,针对雨天图像存在雨雾遮挡的问题,建立新的雨天图像模型,结合图像去雾和增强算法,提出了一种密集尺度去雨雾优化算法,提高了雨天图像的恢复效果。实验结果表明,本文所提的图像去雨算法较经典的去雨算法具有一定的优势,解决了图像去雨过程中图像信息丢失和网络模型退化的问题,且去雨效果也较好。去雨雾优化算法较其它的去雨算法,进一步提高了去雨图像的质量。