雨天在户外场景中获得的图像质量受损严重,影响后续高级视觉任务（如目标检测、图像分割、图像识别等）的性能,因此单幅图像去雨作为预处理任务具有重要的研究价值。近年来,在单幅图像去雨任务中,基于深度学习的有监督算法表现出卓越的性能,尤其是对合成雨图的去雨。但对于真实雨图去雨的泛化性不强,一般归因于合成雨图像与真实雨图像之间存在域的鸿沟,导致在合成数据集上训练的有监督学习算法的泛化性能得不到保障。此外,在实际场景中,同时收集真实雨图和其对应的干净背景图形成数据对是非常困难且耗时费力的,而单真实雨图的获取是廉价的。据此,同时利用单的真实雨图和成对的合成雨图,用半监督学习机制训练图像去雨算法模型,成为单幅图像或视频去雨研究圈关注的热点之一。本文在前人研究的基础上做基于半监督学习机制的单幅图像去雨的研究并设计系统仿真实现。主要内容如下:（1）提出基于高斯混合模型的半监督图像去雨算法。针对现有合成数据集训练算法泛化性不强且成对真实雨图数据集采集困难的问题,本文采用高斯混合模型和多阶段网络构成半监督去雨模型。其中,高斯混合模型用于对真实雨纹进行建模,多阶段网络用于实现背景图的恢复和雨纹信息的提取,同时使用KL散度实现合成雨纹与真实雨纹的迁移学习。通过此半监督方式训练的去雨网络,可以充分适应真实无监督雨类型,提升了泛化性。大量的实验表明,本文所提出的高斯混合模型半监督图像去雨算法既能去除合成雨纹,同时也能去除真实雨纹。（2）提出基于多尺度卷积稀疏编码的半监督图像去雨算法。针对上述高斯混合模型参数敏感,KL散度实现迁移学习存在误差的问题,本文结合雨纹的先验知识（多尺度和稀疏性）建立了多尺卷积稀疏编码模型来表示合成和真实雨层,然后利用合成雨图和真实雨图,推导了优化模型,并设计了相应的求解算法。通过最小化合成雨核集与真实雨核集之间的距离,网络更加能够适应真实无监督雨类型,提高了真实场景下的去雨性能。通过大量实验,证明了本文提出的算法优于先进的半监督算法,具有良好的泛化能力。（3）设计并实现了基于半监督学习机制下的单幅图像去雨系统。为了将所提半监督算法落地于实际应用,本文结合Py Charm和Py Qt5构建单幅图像去雨系统,对该系统输入雨图,并选择不同的算法,可直接获得去雨后的结果。