随着人工智能的迅速发展,深度学习方法在图像中的应用也是越来越成熟。图像分类是图像处理技术中基础且重要的一项技术,目前也出现了很多高精度的分类算法。然而当面对恶劣天气比如雨、雪、雾时,于室外视觉系统中所获得的图像的质量会有一定的影响。本文针对雨天条件下拍摄的图像,利用卷积神经网络进行图像分类,并将计算机识别出的雨天图像应用现今成熟的带雨图像修复算法进行修复。论文的主要工作包括:利用Python爬取雨、雾、雪、晴天共1700张图像,与现有数据集结合使用并划分为训练集、验证集及测试集;对图像数据按照规则统一进行命名写入指定目录;进行随机裁剪、随机翻转、随机缩放以及随机提高亮度等操作以增大图像数据数量,该预处理过程可以有效避免过度拟合问题。基于Tensorflow平台利用GoogleNet Inception V3网络进行带雨图像分类,将5种不同的学习率以及5种不同的Batch Size组合成25组参数,然后分别进行网络的跑批,并绘制相应的准确率曲线及损失曲线。选取其中最好的一组参数并保存模型结果。此过程能够让计算机自动识别带雨的图像,避免对无雨图像进行后续的去雨处理,以缩短处理时间。利用三种算法进行带雨图像修复工作。从数据集中选出1500张合成图像分别利用三种算法进行处理并计算平均PSNR指标值和平均SSIM指标值,然后利用三种算法对真实降雨场景下的图像进行修复,选出其中具有代表性的11张图像进行视觉评估。从定性与定量两方面综合衡量,可以认定GCANET效果最好,将分类算法与该修复算法形成管道,以便应用在实际图像修复任务中。