数字图像是人们获取信息的重要途经。然而,数字图像在采集、传输等环节中往往会受到外界环境或自身硬件技术的局限性,使得获取到的图像中存有噪声、雨点等干扰。图像恢复一直是图像处理、计算机视觉以及相关应用领域的研究热点。近年来,相关研究人员提出了许多基于深度学习的图像恢复算法,在各项性能指标上均取得了优异的成绩,但是深度学习依赖大量的数据样本,且在图像恢复过程仍会存有噪声干扰残留的问题。为此,本文主要针对噪声、雨线、雨滴等干扰因素,研究了基于深度卷积神经网络的图像恢复算法,具体研究内容包括:（1）提出了一种结合局部与非局部注意力的对偶残差去噪网络。该网络采用了对偶残差网络学习结构,并引入了不同大小卷积核以提高特征提取能力。此外,本文采用混合注意力机制,使得卷积神经网络不仅能够注意图像的局部特征,还能刻画图像中的长距离依赖关系。实验结果表明,该算法能够有效的抑制不同类型、多种强度的噪声,且针对高强度噪声的去除性能更优。与常见的去噪算法相比,去噪后的图像能够保留更多的结构信息,且在各项指标中均取得优秀表现。（2）构建了一个模拟真实环境下的雨滴数据集。先使用相机和玻璃搭建了一个图像采集平台,模拟户外视频监控设备。采用人工洒水形式模拟雨滴落在玻璃上的情形,获取成对的有/无雨滴图像。并对采集的数据进行人工筛选、图像剪裁、图像预处理等环节,得到603对雨滴图像数据集。相关实验结果验证证明,本数据集可以有效的反映出雨天室外视觉系统采集图像的特征,能够为图像去雨的研究和应用提供了真实的雨滴图像数据集。（3）提出了一种基于动态注意力分配机制的图像去雨网络。为了更好的捕捉到不同大小、密度和方向的雨线,先提出了一种自适应选取注意力模块位置的方法。此外,通过与多阶段特征提取结构相组合,有效的提高了信息提取的能力,从而为后续恢复过程提供雨线信息,经过与7种深度去雨算法在公共数据集和真实雨水图像数据集上的测试后,证明了本算法不仅能够有效的去除合成雨线,同样也能有效抑制真实雨线的干扰。