降雨会在视频图像上产生明显的条纹,遮挡图像内容,模糊结构信息,导致视频质量退化,进而影响后续计算机视觉系统的信息处理功能。因此,开发高效的视频雨条纹去除算法对保证后续的视觉系统性能至关重要。目前的视频去雨算法可以分为两类:基于模型驱动的算法和基于数据驱动的算法。基于模型驱动的算法通常侧重于利用雨条纹和干净视频间的合理先验。然而,由于结构本身的局限性,去雨效果往往并不理想并且会造成图像背景信息的模糊。对于数据驱动的算法,得益于卷积神经网络强大的学习能力,可以去除形态更复杂的雨条纹。然而,有雨视频中存在的复杂关系并没有得到充分利用,仍有进一步去除雨条纹,提升视频质量的空间。空域、时域和频域是分析和处理视频数据的三个主要方面,为了更充分的利用有雨视频中的信息,本文联合了空域、时域和频域特征,提出了一种用于视频雨条纹去除的时域-空域-频域三阶段去雨网络。网络包括三个分支:时域-空域-频域分支（Temporal-Spatial-Frequency branch）、时域-空域分支（Spatial-Frequency branch）和空域分支。提取当前帧的空域特征是这三个分支的共同目标。在时域-空域-频域分支中,本文使用小波子带对齐模块将输入帧分解为四个不同的子带特征,然后将相邻帧与当前帧的子带特征进行对齐,接着,通过编解码结构提取特征间的时间-频率关系,最后经过解码,利用空间注意力模块提取空间特征。时域-空域分支则用来直接提取连续帧间的时间相关性。此外,在时域-空域-频域分支和时域-空域分支之间,时域-空域分支和空域分支之间都存在交叉特征融合,这对充分利用频域、空域和时域信息非常重要。本文在3个公开数据集上与13种最先进的算法进行了定性和定量的比较。对于定量比较,采用了结构相似性（Structure Similarity Index Measurement）和峰值信噪比（Peak Signal-to-Noise Ration）作为对比的标准,因为人类的视觉系统对亮度更为敏感,因此本文遵循了其他算法仅在图像的亮度通道上计算PSNR的原则。在合成数据集上,本文与之前的最佳结果相比,PSNR分别提升了 0.21dB、5.16dB和1.03dB。在3个数据集上PSNR平均提升了 2.14dB。在真实数据集上,与其他算法比较,本文算法可以更好地处理雨条纹,并保留结构细节。实验结果证明了本文算法的优越性。