现有基于深度学习的目标检测方法大多使用干净的自然光学图像进行训练。然而在常见恶劣成像环境,例如雨天,导致图像对比度降低、颜色失真、纹理模糊和非均匀光照等主要质量退化问题,严重制约着目标检测性能。因此,深入研究雨天图像质量与相应场景下的目标检测性能提升方法,具有重要的理论与实际应用价值。目前,深度学习在去雨、低照度增强、去雾等恶劣成像环境下的图像处理问题中,取得了优于传统方法的结果。但是大多数基于深度卷积网络的去雨模型结构复杂,参数较多,使得它们难以作为插件式模块嵌入目标检测网络,限制了算法模型在恶劣成像环境下的应用。同时,这些方法仅关注图像主客观性能指标的提升,并未考虑对后续检测网络的影响,因此经过处理后的图像尽管在视觉质量上有所改善,但对检测性能的提升却相对有限。本文围绕雨天目标检测性能提升问题展开,提出基于深度卷积网络的轻量级雨天图像质量提升方法,其主要工作和创新点如下:(1)结合空洞卷积和递归结构,本文提出一个端到端的轻量级去雨网络,在模型参数不超过40K的基础上,能够显著提升雨天退化图像的主观视觉效果与客观评价指标。(2)同时为了提升经过去雨网络处理后图像的检测性能,本文提出了结合SSIM作为代价函数用于保持去雨图像结构信息与纹理细节。同时还采用L1感知损失函数连接去雨与检测模块。通过结合检测模块参与去雨图像的评价,在有效解决雨天成像过程退化问题的基础上,大幅提升相应场景下的目标检测性能。实验表明,本文算法在仿真和真实雨天图像上均可实现雨线去除、图像细节恢复、清晰度增强等效果。在保证计算效率和模型轻量级的前提下,明显提升雨天图像质量,并且大幅提升雨天成像环境下目标的检测性能。