单图像去雨技术主要研究如何从具有复杂分布的雨图中提取出雨纹信息,同时复原出干净背景,这对提升底层视觉感知和高层认知理解能力具有重要意义。和传统的单图像去雨方法相比,基于深度学习的单图像去雨技术已取得突破性进展。但是由于雨图分布的多样性与复杂性,以及应用场景的日益复杂化,单图像去雨领域仍有一些挑战性问题亟待解决:（1）现有图像去雨方法大多采用监督学习方式,即训练数据为合成的配对数据,但是合成数据的雨分布与真实雨分布存在很大差异,导致其在真实场景中的泛化性较差;（2）现有研究大多集中于消除单一类型的雨退化,无法同时处理多种类型的雨退化（如雨纹、雨滴和雨雾等）,导致其在真实场景中的鲁棒性不足;（3）现有研究大多只是单纯考虑单图像去雨任务,忽略了与高层视觉任务的交互和联系,导致去雨结果在后续高层任务上的性能欠佳。本文将上述三个挑战性问题归纳为复杂场景中的真实场景去雨泛化性差、多退化类型去雨鲁棒性差,以及去雨与高层任务间缺协同交互。三个问题联系紧密且难度由浅入深,从单一雨退化场景拓展到多种雨退化场景,进而拓展到底层和高层任务协同场景。针对上述问题,本文系统提出相应的创新策略,主要贡献总结如下:（1）针对深度监督去雨方法过度依赖合成的配对数据,以及合成数据和真实数据分布差异过大导致的模型泛化性差的问题,本文在第三章重点探讨基于非配对数据的无监督深度去雨模式,系统提出了一种基于无监督雨纹注意力检测器的单图像去雨与雨生成算法Derain Cycle GAN。该方法充分利用了Cycle GAN的循环结构和迁移学习能力来进行无监督模式下的训练学习;设计了一种无监督雨纹注意力检测器（URAD）,通过同时关注有雨图和无雨图来增强雨纹信息检测能力。在无监督模式下,该方法可学习到真实场景雨图的分布,因此模型具有强大的泛化能力。此外,还提出了一种新的可自动生成多样化雨纹的合成方式,生成的雨纹具有更加复杂的形状和方向,可以帮助现有监督方法更好地泛化到真实的雨图上。（2）针对现有大部分深度去雨方法只能处理单一雨退化类型（如雨纹或雨滴）,以及在真实场景上的去雨鲁棒性不足的问题,本文在第四章重点探讨多种雨退化现象的处理方法,系统提出了一种可处理多种雨退化类型的鲁棒性单图像去雨方法Rad Net。该方法首先设计了一个轻量级的鲁棒注意力模块RAM,采用的通用注意力机制可同时关注雨纹和雨滴;此外,提出了一个基于双通道残差密集块的多尺度深度复原模块DRM,可用于精确去除雨纹。该模型具有强大的鲁棒性,不仅可以处理不同类型的雨退化现象,包括雨滴、雨纹,或两者兼而有之,还可以有效处理不同的数据范式,包括单一类型、叠加类型和混合类型。（3）针对现有深度去雨方法大多只关注底层复原效果,忽略了与高层语义信息进行交互,导致复原结果在后续高层任务上性能不足的问题,本文在第五章重点探讨图像去雨与语义分割任务的协同交互,系统提出了一种基于高层语义分割信息引导的单图像去雨方法SGINet。该方法设计了一种三阶段去雨方式,先基于设计的全分辨率模块FRM来预测没有上下文语义损失的粗糙去雨图像,然后利用预训练好的语义提取模块SEM提取粗糙去雨图像中的语义信息,再通过语义交互模块SIM实现语义分割信息引导下的去雨。通过衔接去雨和语义分割任务,该方法可同时取得更好的去雨结果和高层语义分割结果。此外,还基于Cityscapes数据集构建了合成雨图数据集Cityscapes＿syn和真实雨图数据集Cityscapes＿real,可用于同时评价图像去雨任务和语义分割任务的性能。