雨天拍摄的图像由于雨痕或者雨雾的遮挡,容易造成图像成像质量的退化,导致图像中大量背景细节信息丢失和模糊,严重影响计算机视觉算法的精度。目前,从有雨图像中分离出干净无雨的背景层,主要采用基于图像先验的传统算法和卷积神经网络算法两个方向。然而,传统去雨算法无法处理场景复杂、雨痕分布不规则的有雨图像,并且耗费大量的人工成本。卷积神经网络算法缺乏考虑增加网络的深度容易造成梯度消失,雨条纹具有不同尺度、方向和密度,以及如何有效地去除雨条纹的同时保护背景细节纹理和色彩一致性。为了解决上述问题,本文主要贡献如下:首先,为了平衡网络深度和去雨性能之间的关系,本文提出了基于并行分支残差叠加网络的单幅图像去雨算法。该网络将两个不同功能的分支进行并联,增加网络的宽度从而降低网络的深度。上层分支使用多尺度残差块组成的多尺度雨痕提取块,从有雨图像中提取不同密度、大小和方向的雨条纹。下层分支利用空洞卷积注意力残差块扩大网络的感受野,在不增加网络深度的情况下获取更多的上下文信息,并且对雨痕特征进行筛选。最后融合两个并行分支提取的特征,并与输入图像建立全局残差连接,使得整个网络只提取雨痕特征从而保护背景的完整性。在合成数据集和真实世界数据集上的定量和定性对比实验,证明了并行分支残差叠加网络能够有效地去除雨条纹,并且网络参数较少、时间复杂度较低。其次,为了解决使用池化操作获取多尺度雨条纹特征时,容易造成信息丢失的问题,本文提出了基于多分辨率上下文聚合网络的单幅图像去雨算法,主要由上下文聚合子网络和全分辨率子网络组成。上下文聚合子网络使用反混洗操作代替池化操作,对输入图像进行多次下采样从而获得多空间分辨率特征图,并将低分辨率层提取的特征自上而下地融入高分辨率层中,引导网络从不同分辨率特征中提取多尺度雨痕信息。全分辨率子网络融合和处理上下文聚合子网络提取的多尺度雨痕特征,并使用多分辨率特征增强块提高图像在不同分辨率下的细节信息。此外,使用局部残差密集连接块和通道注意力机制增强网络提取特征的能力和速率。通过大量的对比实验证明,多分辨率上下文聚合网络取得了最高的评价指标和最优的视觉效果,能够有效地保护背景纹理和色彩亮度。