单幅图像去雨作为计算机视觉领域中的图像清晰化研究的重要组成部分和内容,其主要应用于无人汽车自动驾驶和道路视频监控乃至军事侦察等领域。因此解决单幅图像去雨问题从而获取有价值的背景信息,成为去雨任务中的重要工作。在综合分析国内外研究现状的基础之上,针对国内外现有单幅图像去雨问题研究成果的不足,通过深入挖掘单幅图像中的深度雨滴特征,充分利用深度学习等相关理论知识,针对单幅图像,如何利用创新性算法去雨并得到更好地去雨效果进行了深入研究。首先,介绍了现实世界中雨滴特征的相关知识,并且对本课题研究中所涉及的数据驱动算法、合成的有雨图像数据集以及应用的人工神经网络相关知识进行了简要介绍。其次,基于递归网络提出一种面向真实图像基于深度学习融合图像增强技术的去雨方法。（1）构造应用有监督学习思想融合多递归LSTM及空间注意力机制的深度卷积神经网络实现对真实图像去雨;（2）设计雨滴定位滤波算法对去雨图像中残留雨滴进一步去除;（3）提出视觉效果提高算法实现对去雨后图像对比度地提高,增强去雨图像的视觉效果。再次,基于递归网络提出一种基于稀疏编码字典学习融合深度学习的去雨方法,该方法对上一方法合成图像中存在的问题加以改进。（1）将有雨图像输入到构建网络中的字典残差模块分离有雨图像,并对分离后的背景层和雨滴层进行初始化;其次,利用多递归的多尺度特征融合的自注意力和自校准模块对有雨图像进行提取深度特征并输入到字典残差模块中的雨滴特征信息提取模块;（2）通过字典残差模块中的和雨滴去除模块进行初步去雨;（3）通过多次递归字典残差模块输出最终的去雨图像。最后,将所提方法和已有的去雨算法进行了相应的实验对比与分析。