目前,随着深度学习的发展和单幅图像去雨技术的提高,基于深度学习的图像去雨技术在如户外场景监控,自动驾驶技术和无人机系统等场景有着非常广泛的应用前景。目前针对单幅图像去雨的算法可以分为基于先验性知识的图像去雨算法和基于深度学习的图像去雨算法。基于先验性知识的图像去雨算法借助雨纹中的先验性知识,采取优化的方法来去除图像中的雨纹。此类算法可以去除图像中较为稀疏的雨纹,但无法去除大且密集的雨纹。基于深度学习的图像去雨算法试图采用大量的合成数据集来训练深度网络去雨模型。但是当雨纹较大且完全遮挡背景物体轮廓时,图像细节会有着不同程度的损失。针对上述问题,提出细节特征保持的单幅图像去雨算法,提高去雨后的图像质量。（1）现有基于深度学习的图像去雨算法为提高去雨后图像的质量,常采取添加边缘损失函数等折中方法来保持图像细节。但此类方法最终是在去除雨纹和保留恢复图像细节之间取得平衡,往往造成雨纹去除不干净或是雨纹去除干净但图像纹理变模糊等问题。不同于上述方法,本文将图像雨纹去除和图像细节的保留恢复分为两个互相独立的子任务。提出一个端到端的双平行子网络的细节修复图像去雨网络模型（DRD-Net）。该平行双分支网络模型分为图像去雨子网络分支和细节修复子网络分支。图像去雨子网络分支用于去除图像中的雨纹,无需考虑如何保留图像的细节特征,而细节修复子网络分支则专注于修复图像在去雨过程中损失的细节纹理信息。该网络模型在多个公开图像数据集上都取得较好结果并在图像细节特征保留效果上优于现有单幅图像去雨算法。（2）提出深度频域分解网络（FDDL-Net）,不同于现有主流图像去雨方法仅在图像上进行频域分解的方式,FDDL-Net将频域分解思想推广到卷积特征层,将学到的卷积特征分解为高频特征和低频特征。首次结合频域分解策略提出可交互的双网络分支,细节分支和结构分支。细节分支学习图像的高频细节部分信息而结构分支则学习图像的低频结构部分信息。特别的,提出两个新颖的可交互网络模块以进行细节（高频）分支和结构（低频）分支之间的频域交换,分别为十字中值交互频域网络模块（Cross-median Interactive Block,CMIB）和双分支自动频域交互网络模块（Dualbranch Interactive Block,DIRB）。实验证明,相比其他单幅图像去雨算法,FDDL-Net不仅获得了更高了的评价量化指标,而且更能保持图像的细节纹理特征信息。