图像去雨旨在去除含雨图像中的雨线并恢复干净的背景,在室外监控、自动驾驶等领域具有重要应用价值。近些年,以神经网络为核心的深度学习技术大大促进了图像去雨的发展。目前大多数去雨算法通过设计优秀的去雨网络,在合成雨图中取得了显著的效果,但是当应用于真实场景时,仍存在一些问题:（1）忽略雨水的先验信息,导致算法对不同类型的雨线鲁棒性较差;（2）缺少对应的真值参考图像,导致真实雨图的去雨结果主要依赖于定性分析,无法进行定量评估;（3）网络训练基于合成数据,导致去雨网络在真实场景中泛化性较差。本文将针对上述问题给出解决方案,并通过实验验证其有效性和优越性。研究内容与贡献总结如下:（1）针对“降雨先验”问题,考虑到真实场景中降雨状态的连续性,本文提出一个连续雨强引导的图像去雨网络（CODE-Net）:（i）在传统卷积稀疏编码中引入权重参数,用于调整稀疏表达的稀疏度并同时反映雨强信息;（ii）加权CSC的求解则借助于Deep Unfolding技术,即将传统的迭代过程展开为有限的神经层并端到端训练整个网络。此外,考虑到拍摄距离不同,雨线具有多尺度外观,本文又采用多尺度字典对雨线进行稀疏分解并提出多尺度CODE-Net（mCODE-Net）。相比于现有的深度学习方法,本文所提网络推导于传统的稀疏模型并且整合了连续雨强先验,因此具有更好的可解释性和鲁棒性。（2）针对“结果评估”问题,基于加权卷积稀疏编码模型及其可学习权重,通过分析权重参数与雨强大小的关系,本文提出一个简单有效的雨强估计方法（RDE）,RDE可以对输入图像的降雨程度进行连续状态的量化估计,换言之,RDE可以定量反映去雨结果的干净程度。不同于常用的定量评估方法（PSNR、SSIM等）,RDE无需标签图像,可直接定量评估去雨效果。（3）针对“泛化性”问题,本文在监督模型基础上,将大量真实雨图引入训练过程,提出基于循环一致性的半监督去雨框架,该框架允许网络使用合成数据学习去雨以降低训练难度,同时借助未标记的真实数据来提高泛化性。具体而言,由于真实雨线与合成雨线存在相似性,循环一致性可以在稀疏空间对两种模态数据进行分布对齐,迫使网络学习公共特征,避免网络过于学习合成雨线的特定分布,提高网络在真实场景的泛化性。（4）实验部分验证了连续雨强估计的有效性,可以隐式地考虑雨强先验和评估无标签图像的去雨结果,而且验证了此模块有助于提升其他去雨算法的去雨性能。而后又将本文算法与当前主流去雨算法进行对比,在大量真实与合成数据上验证了本文算法的有效性和优越性,定量与定性结果均有明显提升。此外,还验证了本文算法有助于其他图像复原和目标检测任务。