数字图像的去雨是计算机视觉和数字图像处理领域共同关注的重要问题。在雨天里,由于去雨后的图片能给监控摄像头更清晰的影像,所以这项技术在安防视频监控、智能交通甚至是军事领域都有广泛应用。传统的图像去雨主要通过各种方法对雨滴本身进行硬编码,由人的经验去寻找雨滴在整个图像中的特征,从而达到去雨的目的。这类方法存在着主观因素影响大,算法设计复杂,算法实时性差以及无法有效利用现有运算资源等不足。深度神经网络是近几年发展非常迅速的一种新技术,它将研究人员从传统的算法设计,特征提取中解放出来,让他们可以将注意力集中到研究更加优秀,高效的模型以及如何更加有效的利用计算资源上来。本文介绍了深度神经网络的发展历程,简要说明了神经网络的工作原理以及应用前景。对数字图像去雨系统自身的整体结构进行了论述,对系统各个模块的设计思路进行了阐明。本文的核心是数字图像去雨系统的算法设计,分为三个部分进行叙述:第一部分,本文为去雨任务建立了一个数据集,该数据集通过网络摄像头采集真实情况下图像去雨数据集,同时利用网络在互联网上获取了一部分干净图像并对其进行了数据清洗、归一化和模拟加雨,两部分数据相结合实现了对实际情形较好的模拟,在实验中使用本文数据集训练的模型在对人工数据和真实数据进行测试时都取得了很好的效果;第二部分详细介绍了本文设计的网络框架,在研究了图像去雨领域目前最新技术的基础上,提出了改进方法,设计了一个可以较好保留背景信息并对雨滴和雨线进行去除的网络结构;第三部分主要讨论了设计的网络在训练中需要注意的事项,以及参数设置中的细节。本文最后做了数字图像去雨系统的总结:第一部分对系统的去雨效果进行了分析,主要对比了之前参考的方法与本文提出的方法在去雨效果上的差异,分析了不同方法复原之后的图像与原图的峰值信噪比(PSNR)和结果相似度(SSIM),结果显示本文提出的方法效果优于其他几种方法;第二部分对整个系统进行了性能分析,主要分析了网络的训练时间以及基于500张图片得出的处理单张图片所用时间;第三部分描述了整个系统使用到的硬件平台与开发过程中使用的开发环境。最后总结了本文在设计过程中所做的主要工作,系统目前存在的问题以及未来系统做的改进方向。