随着计算机视觉领域的不断发展,人类世界越来越广泛地应用到了摄像头进行现场实景的获取。然而,户外工作的摄像头难免会受到雨天等恶劣天气的影响,使得获取的现场实景图片质量下降。因此如何对图像中的雨水进行去除吸引了广大计算机视觉研究者的广泛关注。随着深度学习研究的不断深入,以及计算机计算能力的极大提升,深度学习在面对图像去雨任务时展现出极大的优势,越来越多研究者专注于深度学习在图像去雨方面的研究。现有的基于深度学习的图像去雨方法中,已经有一些方法在合成雨水图像的测试上表现出了令人满意的效果,但是在复杂的实际雨天环境中采集的图像的处理上的泛化性能还有待进一步提升,基于此,本文的主要工作如下:针对实际雨天环境中常常包含多种类型的雨水,最常见的便是雨条纹和雨雾的混合,而现有研究往往只能去除图像中的雨条纹而忽略了雨雾的存在,本文提出基于场景深度的双编解码网络结构模型来对图像同时进行去雨去雾处理。该方法在恢复干净背景前引入了一个场景深度的估计,并利用场景深度信息引导去雨背景的生成,在保持较好的去雨条纹效果的同时,还很好的去除图片中残留的雨雾,对多种样式的雨水进行了处理,解决了前人研究所忽视的远处雨雾造成的视觉退化问题。由于网络在学习去雨时考虑了场景深度的关系,本网络对雨雾形式的雨水也能有较好的去除能力,也验证了场景深度信息引导去雨的有效性,相比于此前的单图像去雨算法,本网络更符合现实雨天场景。考虑到目前去雨研究中合成数据集无法模拟出现实雨条纹的所有样式特性,直接影响到现有方法在真实数据中的泛化性能表现。本文提出基于多尺度半监督迁移学习的单图像去雨方法。该方法利用多尺度的网络结构提取不同尺度下的雨条纹特征,用图像高频细节层作为网络输入减小训练难度,同时用合成数据集和真实雨天数据进行训练,采用一种自训练机制来进行监督去雨到无监督去雨的迁移学习。本文提出的算法将实际雨天数据应用到网络训练,在真实雨图的处理上效果更好,具有更好的泛化性能表现。本文分别在多个合成数据集和真实雨天图片数据集上对比了本文所提出算法与现有算法的去雨表现,分别从定量和定性方面来验证本文算法的有效性。