雨天条件下受到雨线或雨条的影响,拍摄的图像会退化,信息遭受破坏和丢失,使得图像的视觉能见度下降,图像成像模糊或失真。在现实世界的工作任务中,往往需要高质量的图像,并且退化图像限制了室外高级视觉处理算法,例如目标检测,图像分割等应用。因此,开发一种有效的图像去雨算法,从有雨的图像恢复出无雨图像,是一个亟待解决的问题。图像去雨作为计算机视觉系统中的底层处理任务,在当前阶段具有十分重要的研究价值。然而,传统的基于低秩表示,稀疏表示和高斯混合模型的图像去雨方法,是根据雨的统计特征对雨图做出一些先验假设,但这些人工制定的先验往往只适用于特定的情形,并不能反映复杂场景中雨的特性,具有一定的局限性,所以在实际的图像去雨任务中效果也不好。而近年来被大量提出的采用深度学习方法是从海量数据中学习雨条信息的深度特征,能够避免制定优化模型以及手工设计先验,但大多数现有的基于深度学习的图像去雨方法在去除雨线的同时会去除无雨区域纹理细节,导致背景过于光滑,颜色失真。此外,目前的许多方法常常忽略不同尺度特征之间的相关性,这对学习图像中雨条信息是非常重要的。为了更好地学习图像中雨条的特征,帮助解决图像去雨问题,本文根据图像去雨的物理模型,提出一种有效的基于多尺度引导的残差网络的单帧图像去雨算法。一方面,多尺度指导的残差网络结构是利用带有不同指数级别的扩张率去获得不同的空间纹理特征信息。另一方面,本文采用密集连接的方式增强网络中不同尺度特征之间内在联系。通过使用引导学习的方式,较小感受野的特征层指导临近层更大的感受野,从而使得整个网络结构有更加强大的雨条特征表示能力,更好地学习图像中不同位置不同类型的雨条信息,有利于从有雨图中恢复出无雨图像。本文在多个公开的基准数据集上进行了大量的定量和定性实验,和最新的方法相比,本文提出的方法的实验结果有更高的数值指标和更好的视觉效果,同时经过测试一张512*512大小的图像的运行时间,与最新的方法相比,具有更高的计算效率。