随着人工智能的快速发展,室外机器视觉系统已广泛应用于各种生活场景,比如在交通场景监控、智能自动驾驶和目标跟踪等各个领域发挥着至关重要的作用。然而这些智能系统研究之初忽略了户外恶劣天气的干扰,如雾霾、下雨、和下雪等。尤其是雨天干扰会使系统捕获的图像模糊不清,甚至雨滴覆盖的区域背景信息完全丢失,进而影响视觉算法的鲁棒性。因此从模糊不清的雨天图像中恢复图像的清晰度是很有研究意义与价值。目前,已经有很多方法被提出用来处理雨天图像修复问题。这些方法主要是基于图像滤波和分解的无监督学习和基于深度学习的有监督学习。现有的方法存在以下四个问题:（1）大雨环境下雨条纹不能完全去除;（2）忽略上下文信息之间的相关性;（3）损失函数是基于欧氏距离,而欧氏距离与观察者视觉感知到的图像质量的相关性很差;（4）现有的方法基于像素的回归过程,缺乏维持雨滴去除和图像修复之间的平衡。本文根据所阅读国内外大量的相关文献,利用深度学习的方法研究雨天图像修复问题。本文的主要研究内容和研究方法如下:1.通过分析现有的问题,对雨图像的形成进行数学建模,本文提出一个双循环密集神经去雨网络（RLDNet）。RLDNet结合了密集网络（Dense Net）和长短记忆网络（LSTM）来提取雨纹信息,同时引入双重循环方案,以促进后续雨条纹和相对清晰图像的更好的信息重用。此外,本文结合曼哈顿距离（1）、欧式距离（2）和构相似度（SSIM）作为模型的目标函数以确保模型的优化更好。大量实验证明提出的模型明显优于现有的方法,而且在相似的任务同样有效,即图像去噪。2.针对去除雨滴问题,本文提出一个以分层监督网络模型（HSNet）为骨架的两步式生成对抗网络来去除图像上的雨滴,同时该网络也适用于去除雨纹。其中,HSNet将Dense Net和U-Net网络进行融合,且在不同尺度层进行监督,能较好的提升雨纹表征能力。更重要地,本文设计的生成器分为两个阶段,第一阶段为图像去雨阶段,使用HSNet去学习雨滴特征,从而去除雨滴;第二阶段为图像修复阶段,进一步将HSNet与注意力机制相结合,去修复第一阶段去除雨滴后得到的图像中所丢失的信息,得到干净的清晰的图像。在多个数据集上进行实验,实验结果表明,提出的方法优于现有的图像去雨滴方法。