在许多应用中,例如视频监控,无人驾驶汽车,室外体育赛事直播等等,雨天条件所导致的图像和视频不清晰的问题给图像修复带来了很大的挑战,很大程度上限制了计算机视觉算法的性能。因此,开发能够自动去除这些影响图像质量的算法是十分重要的。本文讨论了从单幅图像中去除雨水条纹的问题,之前人们提出了各种各样的方法,但是都有一些缺陷,现有的单一图像去除雨方法的主要局限之一是它们被设计用于处理某些类型或者某种雨天条件的雨天图像,并且它们没有有效地将各种形状,尺度和雨滴密度考虑到它们的算法中。为了解决这些问题,基于深度学习理论,研究并且提出了两种不同的单幅去雨方法,取得了较好的效果。本文主要的研究工作具体如下:首先,本文提出了基于条件生成式对抗网络生成了更符合真实条件的新的数据集,结合传统图像处理方法仿射变换合成雨密度,雨的方向和尺寸不一样的有雨图像数据集。通过这些人工合成数据集的方法,为去雨训练提供了丰富的样本,虽然训练网络的雨景图片是合成的,但能很好的训练去雨网络,而且能很好地应用到真实的雨天图像。其次,本文提出了一种去雨方法,该方法是基于HSI的空间变换,将雨图像从RGB映射到HSI空间,在基于密集连接网络下学习有雨和无雨图像的深层残差特征,将雨图像的亮度分量特征和残差特征图进行相加,得到相加后的图像,最后通过反向映射,将其映射到RGB空间,较好的保留了图像信息。最后,还提出了一种基于密度感知的图像去雨方法,该方法使用了多流密集网络去雨,自动确定输入有雨图像存在的雨密度信息。为准确估算雨的密度水平,本文提出了一种新的残差识别分类器,该分类器利用雨天图像中的残余分量进行密度分类,一旦估算了雨密度水平,将估算的密度信息融合到最终的多流密集连接网络中,从而获得最终的去雨输出。此外,还进行了消融研究以证明所提出的网络中不同模块的作用。