在下雨天,特别是在大雨和暴雨等极端雨天天气,户外计算机视觉系统所采集图像会产生严重雾化模糊,影响其应用性能。利用图像处理技术,消除雨雾模糊影响,提高计算机视觉系统图像画面的清晰度。对提升计算机视觉系统适应雨天天气的应用能力,具有重要意义和实际应用价值,是近几年图像处理和计算机视觉领域的研究热点。本文围绕图像去雨的深度学习方法展开研究。主要工作及取得成果如下:（1）针对现有图像去雨深度卷积神经网络方法存在明显雨痕残留及局部细节丢失问题,提出一种基于残差密集扩张卷积连接网络的图像去雨方法。其整体框架由一个雨纹去除子网和一个图像增强子网组成,其中,雨纹去除子网结构采用编解码结构,并采用残差密集连接模块作为核心构建单元。图像增强子网由多个基于不同扩张率卷积算子的结构相同的特征提取模块构成,以保证能够充分提取不同感受野的特征信息,恢复更多的图像细节。实验结果表明,本文方法能够有效的去除雨纹痕迹,并恢复图像细节。与现有方法相比,在Rain100H合成数据集上,PSNR提高了 4.96dB,SSIM提高了 0.20,获得了更好的视觉效果。（2）针对现有图像去雨深度卷积网络方法运行时间较长的问题,提出一种基于注意力及上下文信息聚合的图像去雨方法。该方法采用编解码网络作为基本框架。为能够提取不同层次的特征,编码网络通过聚合上下文特征的方式提取图像特征信息。为增加通道特征之间的相关性并提高特征聚合的处理速度,在卷积运算过程中引入注意力机制。实验结果表明,本文方法能够有效的去除雨纹,缩短运行时间。与对比方法相比,在尺寸大小512×512图像中,单幅图像平均处理时间最高缩短了 0.2秒。（3）基于上述理论研究成果,使用PyCharam和Pyqt5设计了一个基于深度卷积网络的图像去雨原型系统,系统可以根据需要选择性的进行图像去雨。