目前,计算机视觉广泛应用于户外视频监控、无人驾驶、车牌识别等场景。但现有算法都以天气情况良好为前提,未考虑不同天气情况对算法性能的影响。在下雨、下雪、雾天等情况下拍摄的图像质量较低,算法的性能也会有所降低。同时雨天拍摄的照片存在雨痕、雨滴、雨雾等问题,导致照片中主体的细节丢失,影响照片的观看。因此在计算机视觉领域中,图像去雨可以作为算法应用的预处理,提升算法在不良天气情况下的性能,增强算法的鲁棒性。另外图像去雨算法可以将影响拍照主体的雨滴去除掉,恢复主体的信息,提升照片质量,便于欣赏观看。由于单幅图像去雨不需要连续多帧图像的信息,使用场景更为广泛,从而既可以替代现有的视频图像去雨算法,又能满足许多仅能获取单幅图像场景下的图像去雨需求。图像去雨算法主要部署在计算资源有限的户外设备或手机等移动终端上,而现有的基于深度学习的去雨算法大都未考虑模型的计算复杂度,导致模型很难应用在实际场景中。本文所提出的模型充分考虑了模型的去雨效果以及运行速度。使用残差学习和局部空间注意力模块来提升模型的去雨效果,相较直接通过有雨图得到无雨图,将图像去雨看作去除有雨图中的雨痕图更为简单,便于模型的优化。同时引入注意力机制,进一步提升模型效果。较大的空间注意力范围可以增强模型中和雨滴相关的特征,抑制无关特征,提升模型检测与去除雨滴的性能。为了提升模型的运行速度,使用深度可分离卷积代替标准卷积提取特征,从而显著降低了模型的计算量,同时局部注意力模块中使用带空洞的逐通道卷积,仅需较小的计算量即可获得了较大的空间注意力范围,既提升了模型效果,有降低了模型的计算量。最后为验证模型的效果,在多个公开数据集上进行对比测试,证明模型的去雨效果较好且运行速度明显更快。