在低光照或者黑夜的下雨天气条件下,受到光强照度和雨滴的散射影响,使得卫星监控、无人机监视等所拍摄到的视频图像表现出高噪声、低能见度、以及背景纹理模糊等现象,极大的约束了计算机视觉系统的处理性能。针对以上问题,本文围绕基于深度学习的低照度下有雨图像去雨展开研究工作。本文主要研究内容如下:针对低照度环境下有雨图像去除雨问题,提出了改进小波变换网络对图像去雨。首先,考虑到低照度环境下会使得图像表现出低分辨以及高噪声,建立了改进的Retinex图像增强网络,实现了对低照度有雨图像低亮度模糊区域细节增强。然后,通过小波变换网络对增强后的有雨图像分解成高频雨线条纹信息和低频边缘细节信息。接着,使用三种不同感受野的密度提取网络学习高频信息分量中包含不同密度、不同方向、不同尺寸的雨线信息。最后使用残差网络去除图像中的雨线条纹。实验结果表明,与现有的图像去雨方法相对比,本文对低照度图像去雨有显著的效果。考虑到有监督的低照度图像增强网络,所需要收集相匹配的数据困难问题,提出了基于深度学习的无监督下生成对抗网络。首先,将低照度图像灰度处理,以方便提取照明信息作为每个深度特征水平的注意力图。然后,将注意力图与输入图像在通道上拼接,来关注图像局部低亮度区域,使得网络对于局部低亮度区域放大对比度更高,而对局部亮度高的区域约束放大,并添加全局和局部对抗网络进一步提升图像质量。最后,联合改进的小波变换网络对增强后的图像去雨。实验证明,不仅可以恢复低照度图像中局部细节模糊背景信息,而且可以有效的去除图像中雨线条纹,还原成高清无雨的图像。