在雨天场景中,雨纹会对采集到的背景图像造成严重的遮挡,导致图像信息模糊、背景能见度下降,从而进一步影响后续任务（目标检测、图像分割）的准确性。因此,单幅图像去雨任务是后续高级视觉任务的预处理步骤,通过去雨预处理操作,可进一步增强后续高级视觉任务的性能。基于数据驱动的深度学习图像去雨算法研究已经成为主流,而深度学习算法的性能主要依赖训练数据的质量和网络模型的设计。本文面向后续任务对预处理算法的部署和泛化性需求,提出了一个轻量化的去雨算法和雨图数据生成技术,并设计了原型系统。具体内容如下:（1）融合视觉显著性的轻量化单幅图像去雨算法。针对现有基于数据驱动的图像去雨算法往往追求复杂庞大的模型设计来提高去雨性能,从而导致参数量过大、运行速度慢,不利于户外设备部署的问题。本文采用扩张卷积、卷积块注意力模块构成轻量化单幅图像去雨算法。其中,不同扩张系数的扩张卷积可以不同尺度地提取输入雨图的上下文信息,逐步提取从局部到全局的空间信息。卷积块注意力模块可以从通道和空间维度上为特征分配不同的权值,指导雨纹去除,同时使网络更易嵌入资源受限的硬件设备中。对合成和真实雨图数据集中的一些典型降雨场景进行大量实验,实验表明,本文提出的融合视觉显著性的轻量化图像去雨算法参数量规模远小于大多数基线去雨算法,同时取得了与基线算法相近的去雨性能。（2）基于卷积稀疏编码的双联合对抗雨图渲染算法。现有主流基于数据驱动的图像去雨算法大都在合成雨图数据集上训练模型,合成雨图中雨纹模式单一,合成雨图的质量会制约图像去雨算法的性能,进一步影响雨天后续高级视觉任务执行。本文从数据的角度提高图像去雨算法的性能,提出基于先验知识引导的雨图渲染算法。采用稀疏噪声和高斯运动模糊核卷积生成初始雨纹,将初始雨纹作为生成对抗网络的输入,在初始雨纹的指导下使网络融入物理先验知识,可以促进网络收敛。同时对双生成器生成的雨图对与真实雨图对进行两次真假判别,可以递进生成具有不同方向、大小、尺度的雨图。大量实验表明,本文提出的雨图渲染模型可以准确地生成与雨数据集统计分布一致,并且具有不同大小、方向、尺度的雨纹类型。将生成的雨图数据集与基准数据集联合训练,可显著提高现有的图像去雨算法性能。（3）联合单幅图像去雨算法与后续高级视觉任务的原型系统。本文使用Py Qt设计了雨天交通场景下的后续高级视觉任务检测系统,可实现对输入雨图进行单一的图像去雨任务、后续高级视觉任务,还可以同时处理图像去雨任务和后续高级视觉任务。系统可直接输出去雨后的图像与相应的目标检测、图像分割的结果。