随着数字信息化的发展,计算机理论和硬件技术的日益成熟,计算机视觉成为深度学习中落地最广泛的领域之一,它主要研究如何使用计算机处理采集到的图像视频等信息。对于从自然场景下采集到的图像经常受到包括雨、雪、雾、霾等恶劣天气的影响,使得图像信息丢失,从而限制视觉算法的性能发挥。雨天是自然界中最常见的天气之一,单幅图像去雨算法的研究具有一定的实际意义。传统方法主要针对有雨图进行建模,采用数学优化的思想对雨线进行检测和去除,效率常常不高。基于深度学习的去雨方法通过构建神经网络,使用合成数据集训练,最终学习到单幅图像去雨过程。本文研究基于深度学习,主要研究工作和创新点如下:（1）针对卷积神经网络中神经元感受野,引入选择卷积网络,它基于多路不同卷积核大小的卷积核进行特征学习,同时提供一个额外的非线性权重学习机制,为来自不同卷积核的特征图的对应通道的特征信息重新分配权值,达到信息融合和选择的效果。该机制使得网络可以自适应地选择不同感受野的特征信息,增强网络的的表达能力,从而增强去雨效果。（2）现有雨图模型在网络训练过程存在一定的局限性,对已有的雨图模型进行改进,加入额外可学习的修正系数,该系数针对雨线图像中每个像素进行修正,更加精确地表达到每个像素点受到雨影响的程度,防止背景误判。同时将修正系数取值范围进行限定,降低网络训练过程的映射区间。（3）单幅图像去雨网络训练过程中,网络需要学习内容包括雨线的去除和背景的复原,这种方式具有一定的局限性。本文采用残差学习思想,利用输入有雨图直接学习雨线图,减少网络学习过程的映射区间,同时使得原图的背景得以更好保留,减少细节丢失。实验过程中首先设计基于选择卷积的去雨网络和基于多尺度卷积模块的去雨网络,来对比选择卷积模块的自适应选择机制起到的实际效果。进一步地设计自适应残差修正去雨网络,在使用选择卷积模块的同时上采用残差学习,然后修正系数使雨线图结果的增强。实验通过合成数据集和真实数据集评判效果,结果表明,选择卷积模块对于单幅图像去雨任务有明显的效果提升。残差学习机制和修正系数取得更好的效果,在客观评价指标和图片去雨结果上有明显优势,峰值信噪比（PSNR）值相比于同量级深度学习的算法处于领先水平,输出图片中算法的雨线去除效果也有明显优势,兼顾背景细节的保留。综上,对于单幅图像去雨算法,本文引入的选择卷积网络,其内部神经元具有自适应调整感受野大小机制,可以提升图像去雨网络的学习能力。本文还采用残差学习机制能够降低网络的映射区间。同时为雨图模型中的雨线图提供一个额外的修正系数,进一步降低映射区间,减少背景误判。实验结果表明,生成图片在客观指标和生成图片的雨线去除效果上均取得改善。