光学成像系统在户外容易受到雨天的影响而导致成像质量下降。雨线或雨雾会使成像系统捕获的图像存在退化现象,例如形变、色差、模糊等。去雨有利于增强图像的清晰度和对比度,进而提高视觉任务的性能。因此,图像去雨在数字图像处理和计算机视觉中具有重要的研究意义和实用价值。考虑到雨天存在雨线或雨雾的情况,本文对雨天图像的复原问题展开探索,分别研究了基于卷积神经网络的单幅图像去雨算法和基于优化模型的单幅图像去雾算法。在此基础上,构建了一个轻量化网络用于真实世界的雨雾图像复原。本文的具体研究内容和创新点如下:首先,提出了一个基于深度监督的多尺度去雨网络。该网络由三个部分组成,分别是多尺度增强主干网络、深度监督模块和混合型损失函数。主干网络能够提取雨线的多尺度特征,并对不同尺度的特征进行增强。深度监督模块仅在训练阶段监督主干网络进行深层次学习。混合型损失函数用于恢复背景信息、约束雨线的稀疏性以及帮助深层网络监督浅层模块。对比实验表明,本文提出的去雨网络优于目前先进的图像去雨算法,且在真实世界去雨中表现出了更强的泛化能力。其次,提出了一种基于梯度引导和物理约束的图像去雾算法。首先以超像素区域为基本块构建了超像素暗通道,并使用其估计透射率和大气光。之后,本文建立了一个多目标联合优化方案,该方案包含梯度引导项和物理约束项。联合优化后的透射率更精细、恢复的无雾图像更清晰。定性和定量的实验结果表明,提出的去雾方法可以有效地提高了图像对比度,且优于多数去雾算法。最后,在多尺度去雨网络的基础上构建了一个实时去雨的轻量化结构。通过结合本文提出的基于优化的去雾算法,进一步研究了雨雾图像复原问题。