恶劣的天气条件会导致能见度下降,极大的影响获取的图像的内容和颜色。例如雨作为一种常见的天气状况,在户外拍摄时,雨水条纹会严重损害图像质量。雨图像中最常见的退化为在小区域产生严重的强度波动,从而阻碍和模糊场景。雨水的存在极大地阻碍了视觉系统应用程序的工作表现,因为它们通常依赖于干净的图像作为输入。去除雨水不仅能提高图像的视觉感知质量,也有利于各种高级视觉任务,如目标检测和图像识别。因此图像去雨技术的研究就变得十分有必要。针对图像去雨问题,本文提出了两种不同的研究方法:双U-Net生成对抗网络（Double U-Net Generative Adversarial Network,DU-GAN）的单图像去雨方法;基于残差网络的多级子网络（Multi Scale Progressive Residual Network,MSRNet）的单幅图像去雨方法。本文的主要贡献为:（1）为了从有雨图像无失真的得到无雨图像,减少图像结构信息丢失的问题,基于生成对抗网络（Generative Adversarial Network,GAN）提出了一种双U-Net的生成对抗网络模型进行图像去雨。在网络模型中使用两个U-Net级联作为生成器,能够明显提高生成图像质量。此外,本文还使用更符合人类视觉效果的（?）1和结构相似度损失函数作为生成器的损失函数。通过在合成有雨图像和真实有雨图像数据集上的实验证明,此方法效果优于其它先进的去雨方法,能够有效的从有雨图像中获得无雨图像。（2）为了缓解过度或不充分地去雨问题,本文没有明确地设计网络估计雨痕的密度,而是提出了一种基于残差网络的多级子网络的单幅图像去雨方法。首先在大尺度水平的子网络上去除大雨条纹;再减小网络的感受野,经由较小的感受野的子网络,从降雨图像中去除较小尺度的雨痕;最后,将去雨后的图像经由一个小感受野的子网络处理,恢复图像的背景细节。由于恢复的图像与其雨图像之间的残差可以表示缺失的背景细节和雨区域,本文利用残差图像作为注意图和待处理图像共同作为下一级子网络的输入。通过这种方式,本文的网络可以区分哪些区域被雨水污染,然后根据注意图的权重（即残差）去除雨水条纹。通过大量实验证明,该算法能获得最佳的视觉效果。在雨水去除过程中,MSRNet能逐步将雨水条纹从雨水图像中分离出来,有效解决了雨水条纹重叠的问题。