随着计算机视觉技术的发展,各类户外的计算机视觉任务逐渐进入人们的生活。雨、雪、雾等恶劣天气一直是影响计算机视觉技术有效性的因素之一,因此恶劣天气场景恢复技术已经成为一个热门话题,广泛应用在无人驾驶、高速摄像以及各类计算机视觉任务中。随着深度学习的发展,越来越多的深度学习方法应用在了图像恢复上,因为它们可以获取不同层级以及更深层次的图像特征,并从原始图像中去除雨雪雾等前景。但是由于深度学习网络的局限性,应用在真实世界数据集上的图像恢复效果一般。因此,恶劣天气场景恢复的泛化性还有待提高。恶劣天气包括雨雪雾等类型天气,过于宽泛,本文主要针对降雨天气进行分析研究,去掉雨图中的雨纹,以满足计算机视觉任务的需求。目前比较流行的去雨方法是基于深度学习的单幅图像去雨方法。本文对较为流行的方法进行了分析,并在此基础上提出了基于多尺度特征聚合的去雨网络（MAGNet）和基于循环记忆单元的单幅图像去雨网络（RMUN）。主要研究内容和创新点如下:（1）本文提出了端到端的多尺度聚合的生成器网络进行图像去雨工作。该网络能够高效地提取不同尺度的图像特征并按相应的权重进行聚合。聚合后的特征通过网络间的跳跃连接模块进行特征增强,有效解决了由于网络传递较长而导致的信息丢失问题。最后生成的去雨图像再通过判别器进行判断,并使用客观评价指标进行评估。结果表明该算法在较为复杂的数据集上表现良好,能够顺利高效地完成去雨工作。（2）本文提出了一种基于循环记忆单元网络的图像去雨算法。该算法为一个循环网络,它有效地把当前循环周期的结果用于下一个循环周期,这样不仅共享了网络参数,还可以增强去雨效果。此外,该算法提取的特征通过残差通道注意力模块进一步保留,这使得网络更加关注雨纹特征图的通道信息。在网络的特征提取部分与特征转换部分都放置了门控循环单元块,该模块不仅能够实现相邻模块和循环次数之间的参数共享,还可以高效地学习雨纹的细节。该方法采用六个公开数据集进行训练和测试,利用主观视觉效果与客观评价指标对实验结果进行评估,结果表明本算法在较为复杂的数据集上可以更好的保留图像的纹理特征,完成去雨工作。