近年来,计算机视觉算法在户外视觉系统得到了快速发展。然而,在各种户外视觉系统应用场景中,恶劣天气常常会降低拍摄图像质量,影响系统性能。下雨是最频繁的恶劣天气之一,雨纹、雨滴或雨雾会导致获取的图像背景被遮挡或模糊不清,严重影响了户外视觉系统的应用和相关图像处理算法的性能。因此,检测和去除图像中的雨纹、雨滴或雨雾是计算机底层视觉任务亟待解决的重要问题,对目标检测识别、分割和监控等高级视觉技术的提高具有重要的研究价值和意义。由于深度卷积神经网络的发展,现有的单幅图像去雨算法取得了一些富有成效的效果,但这些算法仍然在图像细节恢复和模型泛化能力上存在问题。本文将从这两个问题入手,研究基于深度学习的单幅图像去雨算法。针对含有不同雨纹的合成雨图像进行雨纹去除工作,主要研究内容如下:（1）针对雨天图像去雨过程中存在的图像细节模糊或纹理信息丢失问题,设计了端到端的基于Transformer的单幅图像去雨网络架构,命名为TRSDNet。该网络模型（TRSDNet）可用于增强特征表达能力和上下文特征信息学习。同时,通过两阶段的网络结构实现了多特征提取雨纹信息,提高了去雨算法的性能。（2）为进一步优化本文第三章设计的去雨网络模型（TRSDNet）,设计了一种新的特征融合模块,并引入了三重注意力模块。该优化模型（TRFBNet）进一步提高了去雨图像的质量,新的特征融合方式能够对两个阶段产生的特征图进行前景雨纹信息与背景信息的区分与细化,更好的保留并恢复了图像背景信息。（3）针对本文提出的两种算法及五种经典去雨对比算法,分别在合成数据集和真实数据集上设计了训练和测试实验。定量和定性地实验结果表明,本文提出的方法及其优化算法模型,都能够有效地去除不同密度的雨条纹,改善了图像去雨过程中纹理信息丢失的问题。通过与经典去雨算法的对比,以及网络重要模块的消融实验,证明了本文提出算法相对于以往算法具有更好的去雨效果,泛化能力较好且具有较好的鲁棒性。