相比于传统的二维图像,光场图像（LFI）通过全光相机捕获每条入射光线的方向和位置,同时记录了场景的纹理内容和三维结构信息,在计算机视觉任务中拥有巨大优势。但是,在降雨天气采集的光场图像由于雨条纹和雨雾的遮挡,导致背景信息缺失。在低光照条件下采集的光场图像存在亮度低、噪声大等问题,导致图像质量降低。光场图像的修复与增强一直是计算机视觉领域的难点。因此,本文提出了一种光场图像去雨算法和一种低照度光场图像增强算法,主要内容包括:1)提出了一种基于多尺度高斯过程的光场图像去雨算法。为了充分利用光场的结构信息,将光场图像的所有子视图作为输入,采用4D卷积层构建去雨网络来同时处理LFI的所有子视图。在该网络中,首先雨水检测模型引入半监督学习,通过多尺度自指导高斯过程模块计算真实世界雨条纹的伪真值,在多个尺度上对合成降雨LFI和真实世界降雨LFI进行训练,从而准确检测雨条纹。然后将所有减去雨条纹的子视图输入4D残差网络来估计深度图。最后,输入子视图与相应的雨条纹图和深度图连接,进入无雨LFI恢复模型中,通过对抗递归神经网络来逐步消除雨条纹并恢复无雨的LFI。在合成LFI和真实世界LFI进行了广泛定量和定性评估,证明了所提出方法的有效性。2)提出了一种多尺度特征融合的低照度光场图像增强算法,引入数码单反相机（DSLR）图像来监督网络的训练以提升低照度光场图像的质量。为了充分挖掘和利用光场信息,首先通过角度和空间Transformer在不同尺度上对光场图像进行特征提取,捕获每个子孔径图像的互补信息以及局部和远程依赖关系。然后进入循环融合模块,通过局部和全局融合层自适应地聚合整个特征空间中的有用信息。最后利用4D残差网络从聚合的特征中重建光场子视图。实验结果表明,所提网络能够有效地提升低照度光场图像的质量且性能优于其他算法。