受恶劣天气的影响，室外视觉系统所获得的图像会劣化。雨是常见的恶劣天气之一，目前国内外关于去雨的问题已有一些解决的方案，但大多关注于视频去雨。由于该类方法是以丰富的时空相关信息为前提，因而并不适用于单幅图像去雨。近年来，单幅图像去雨的研究逐渐受到重视，然而现有方法需要在去雨效果和图像清晰度之间折中且计算效率低下，难以满足实际应用需求。　　为此，本文针对单幅图像去雨，基于变分法和卷积神经网络提出三种新的单幅图像去雨算法，主要研究内容及成果如下:　　1.提出基于梯度l0正则化的单幅图像去雨算法。首先设计一个引导l0平滑滤波器实现初步去雨。该滤波器在保证输出图像与输入图像一致性的前提下，引入梯度l0正则项，使其根据引导图像的梯度大小平滑输出图像。而后在该初步去雨图像与有雨图像间取最小值，得到无雨图像。　　2.提出基于梯度修正的单幅图像去雨算法。该算法针对基于梯度l0正则化的单幅图像去雨算法迭代过程中，引导图像细节丢失的问题，提出一个新的能量函数。该算法认为雨的信息基本包含在水平梯度中，因而求取水平梯度及垂直梯度后，运用引导滤波平滑水平梯度图，与垂直梯度相加，得到无雨的参考梯度图像。再以此无雨梯度图像作为先验，构造新的能量函数。最终通过变分法求解得到去雨图像。该算法保留了更多的背景信息。　　3.提出基于卷积神经网络的单幅图像去雨算法。现有的单幅图像去雨算法只能分析底层图像较小邻域内的特征，在清晰度与去雨间折中。深度学习能模仿人的大脑皮层，从底层图像中提取高层语义，并通过权重提取相应的特征，选取不同的形态成分。因而本文引入卷积神经网络，训练得到一个适用于去雨的滤波系统。该系统可以实现有雨图像到无雨图像的端到端的非线性映射，在去雨和保持图像清晰度方面达到了很好的综合效果。　　4.建立训练卷积神经网络的图像库。为了实现卷积神经网络的训练，本文通过screen blend model对干净的清晰图像人工加雨，形成相应的有雨图像与无雨图像对，建立了训练神经网络的图像库。相关实验表明，这种仿真获得的训练库训练所得的卷积神经网络对于实际有雨图像雨线去除依然有效。