在室外场景拍摄图像容易受到降雨因素的干扰,导致成像设备获取的图像中存在雨痕,进而影响其他计算机视觉任务的后续执行。图像去雨的目标就是清除有雨图像中的雨痕,复原清晰的无雨图像,所以对图像去雨展开研究具有实际的应用价值。目前许多研究者利用深度学习,设计基于卷积神经网络的算法去除雨痕并重建无雨图像。但是这些算法仍然存在两个问题,一是图像中有多种尺度的雨痕,难以将其彻底清除,二是图像细节容易丢失,导致背景比较模糊。本文针对这两个问题展开研究工作,具体内容如下:（1）针对雨痕难以被彻底清除的问题,提出了一种基于多尺度特征融合网络（Multi-scale Features Fusion Network,MFFN）的图像去雨算法。由于雨痕具有不同尺度,利用提出的多尺度特征融合模块逐步提取不同尺度的雨痕特征,再将提取到的特征信息通过两种方式进行融合,提升网络对多尺度信息的学习能力。随后,使用提出的双重注意力模块对特征的通道信息和空间信息进行加权处理,提高重要特征通道和雨痕所在区域的权重,使得网络更加关注不同尺度的雨痕特征和雨痕存在的位置。最后,采用混合损失函数在像素差异和结构相似上共同约束网络。将MFFN在合成数据集和真实数据集上进行了测试,结果表明MFFN能够有效地清除图像中不同尺度的雨痕。（2）针对背景细节容易丢失的问题,提出了一种基于雨痕清除与细节保留双分支网络（detail-preserving image deraining via Dual-branch Rain Removal Network,DRR-Net）的图像去算法。网络由两个分支组成,分别称为上分支和下分支。首先在上分支提出了雨痕注意力残差模块,该模块先提取雨痕的深层特征,再对特征进行自适应权重分配,避免背景细节被错误地去除,特别是一些与雨痕相似的物体。其次在下分支提出多尺度雨痕聚合模块用于扩大感受野,捕获更多有用的上下文信息,增强网络对不同尺度雨痕的关注。然后合并两个分支,利用精炼模块进一步提高输出图像的质量。最后,采用混合损失函数最小化输出图像和无雨图像之间的差异。实验结果表明,DRR-Net能够有效清除多种尺度的雨痕并显著减少图像细节的丢失,该算法的去雨结果在视觉效果和整体评价指标数值方面均优于其他几种先进的去雨算法。