伴随着人工智能技术的快速发展和国家战略政策的支持,计算机视觉技术近年来飞速发展,并被广泛用在安防、视频监控和自动驾驶等领域中。在室外应用场景,面对恶劣的雨雾天气,摄像头得到的图像会受到干扰而变得模糊失真。遇到大雨天气,雨痕条纹的堆叠会对图像造成严重遮挡,从而影响计算机视觉算法性能。因此研究图像去雨技术对计算机视觉系统抵抗恶劣天气干扰有着积极影响和重要应用价值。本文深入研究图像去雨任务,为改善现有方法网络设计的不足,提出有效的图像去雨方法,实验结果均取得较好的雨图恢复效果。本文主要研究内容如下:（1）提出了一种多通道分离整合的多尺度图像去雨方法多数深度学习的架构都是通过堆叠卷积层来设计的,对于雨图中大小不一的雨痕,这些方法并不能很好地关注训练过程中雨图的局部信息和上下文信息。针对该问题,本文设计了一种基于多通道分离整合的卷积神经网络用于图像去雨。第一步通过通道分离,再利用卷积层间的层级连接,构成多尺度模块,最终将不同通道的输出进行整合。所提模块可以增大感受野,探索特征图之间的空间信息,更好地提取特征。第二步利用渐进网络来反复计算挖掘上下文信息,能够很好关联到全局特征。整体模型易于实施,可以端对端训练。（2）提出了一种控制理论启发的图像去雨方法尽管现有的图像去雨方法已获得令人满意的性能,它们大多数都是设计网络架构进行图像去雨,缺乏足够的理论依据对网络设计进行指导。本文提出一种由控制理论指导的图像去雨方法,创新性将控制理论思想运用到图像去雨领域。主要将反馈环节引入神经网络训练过程,然后把模块输出结果重新返回改变之前输入,再通过模块重新得到更好的结果,动态调节输出。控制理论对图像去雨提供了新思路,在网络训练过程中多次调节输出,使得输出更接近无雨图。（3）提出了一个自动驾驶雨天数据集基于深度学习图像去雨算法需要有雨图和对应无雨图。然而目前没有用于自动驾驶图像去雨任务的数据集。本文利用人工合成手段生成一个自动驾驶雨天数据集,对雨天场景下自动驾驶图像的恢复有着重要的意义。同时验证了本文方法在自动驾驶领域中的有效性,能为后续自动驾驶任务提供帮助。