雨是现实生活中非常普遍的天气,不仅影响人类的视觉,而且还会严重影响户外视觉系统的性能,包括视频监控,物体检测和自动驾驶等等。随着计算性能的提高以及深度学习理论的发展,图像去雨任务已经取得了许多突破性的进展。但是同样存在背景模糊、雨痕残留等问题。本文对现有的图像去雨方法的优缺点以及适用范围进行总结。针对现实场景下的图像去雨问题,本文重点研究了雨痕图像的特点,提出了基于分解的循环生成式对抗网络的图像去雨方法,对使用未成对数据训练进行了深入及系统性的研究,并对自然场景下的雨图像的特点进行了深入研究,提出了自监督约束与循环生成式对抗网络结合的图像去雨方法,从而提高去雨算法在现实应用中的性能。本文具体工作如下:首先,本文提出了基于分解的循环生成式对抗网络的图像去雨方法。针对循环生成式对抗网络（Cycle GAN）模型在图像转换任务中只能一对一映射,无法解决图像去雨任务中一对多映射的问题,本文引入了雨痕掩码来更好的生成多种雨痕,从而能够在图像去雨任务中使用未成对数据的训练策略;添加了一个雨痕生成器将输入的雨图像分解为背景图像和雨痕图像,从而能够同时学习这两种特征,给出了相应的损失函数以及学习过程,提高了在合成数据集下使用未成对数据训练机制的图像去雨算法的性能。其次,本文提出了基于循环生成式对抗网络与自监督约束的图像去雨方法。在分解的循环生成式对抗网络的基础上,提出了针对自然雨图像的背景指导模块与雨痕指导模块,并给出了相应的损失函数,通过这两个自监督约束,验证了在在现实雨图像数据集上使用未成对数据训练机制的有效性,提高了现实场景中雨图像的去雨性能。最后,基于本文所提出的方法设计并实现了一个图像去雨系统,该系统不仅可以观察给定图像上的去雨效果,并且可以展示算法执行的时间,通过前台显示与后台算法分离的设计,该系统还可以展示其他图像去雨方法的效果。