随着科技的进步及经济的不断发展,计算机视觉系统被应用到越来越多的领域,如交通监控、安防监控、工业生产监督等等。然而,一些户外的计算机视觉系统极其容易受到恶劣天气的影响,使得成像质量不高,进而可能造成计算机视觉算法性能的下降。雨作为最常见的一种恶劣天气对图像质量的影响尤为广泛。为了克服这一问题,针对图像的去雨研究逐渐兴起。目前,大部分的去雨研究都是针对视频图像的去雨研究,而单幅图像的去雨又与之不同,因为单幅图像中并不像视频图像那样具备大量的时域信息可以加以利用,因此,单幅图像的去雨研究更具挑战性。本文主要针对单幅图像去雨进行研究,主要的工作及创新点如下:（1）提出了一种新的网络连接方式——重用原始信息连接。这种连接方式充分利用了网络的原始输入,为网络提供更多关于背景细节的信息,进而辅助去除图像中的雨线后的背景复原过程。（2）分析了现有获取图像低频图层和高频图层的方式,同时分析了直接使用整张图像作为数据集和使用高频图层作为数据集这两种不同输入方式对网络去雨效果的影响。这是目前已知的第一项直接对比两种不同输入方式对去雨效果影响的基于深度学习的工作。（3）基于压缩奖惩神经网络提出了两种不同的网络结构来解决单幅图像去雨这一课题。一种是多尺度特征学习的单幅图像去雨压缩奖惩网络,另一种是重用原始信息的单幅图像去雨压缩奖惩网络。与目前大部分的深度学习算法只考虑到网络层与层之间的关系不同,本文提出的网络均基于压缩奖惩神经网络,它可以很好地刻画特征通道之间的关系,从而提高网络的表达力,提升去雨效果。实验结果证明这两种网络即使在网络层数较少的情况下仍能获得与现有算法相当甚至更好的去雨结果。