单幅图像去雨是计算机视觉领域的难题之一。在自然环境中,雨纹呈现不同尺度和不同方向的特点,增加了图像去雨难度。PReNet（Progressive Image Deraining Networks）算法作为目前去雨性能较好的轻量级单幅图像去雨算法,适用于实际存储资源受限的场合,但其尚存在雨纹去除不彻底和无法精细恢复图像背景细节等问题。因此,对PReNet算法进行改进,以保持其模型轻量的同时提升其去雨性能来满足实际应用需求,具有重要的理论和实际意义。论文对PReNet算法的原理进行了深入分析,围绕网络剪枝、多尺度特征提取、通道特征关联性和网络训练方式四个方面进行改进研究,构建了轻量级单幅图像去雨算法PRe Dense Net。论文的主要工作和贡献如下:1针对PReNet算法去除雨纹不彻底和无法精细恢复背景细节问题,改进并构建了轻量级去雨算法PReNet＿D。首先引入空洞卷积增大PReNet算法感受野,在不增加模型复杂度情况下获取更多上下文信息,可提取多尺度雨纹特征;进而针对空洞卷积引起的无法有效获取多尺度信息和损失信息连续性问题,利用混合空洞卷积可有效提取多尺度物体信息性能,帮助去除雨纹;最后,在训练时引入感知损失,让去雨图像与参考无雨图的高层信息更加接近,以提高生成图像质量。2受到PReNet算法多阶段逐步去雨和模块间参数共享思想的启发,针对PReNet＿D算法特征提取模块会影响信息在网络中传播的问题,改进并构建了轻量级单幅图像去雨算法PRe Dense Net。首先使用轻量级残差密集连接块作为特征提取模块,去除其批归一化和平均池化操作来减少模型参数,并引入空洞卷积和混合空洞卷积来有效提取多尺度雨纹信息,提升雨纹去除效果;其次,针对通道级特征缺乏关联性问题,引入压缩-激励模块来自适应学习各通道的权重值,从而提升去雨性能;此外,针对各阶段之间相关性问题,引入更轻量的GRU（Gate Recurrent Unit）来增强网络的长期记忆能力,前面阶段提取的重要特征可帮助后续阶段有效去雨;最后,在网络训练方面,使用像素级损失函数MSE（Mean Squared Error）和感知损失函数作为整体的损失函数来训练网络,帮助恢复图像背景细节。综合所有改进,形成一种轻量级单幅图像去雨算法PRe Dense Net。在Rain100H、Rain100L和Rain12三个合成数据集以及真实有雨图片上的实验结果表明,所提算法在保证模型轻量的同时,可以取得更好的去雨性能以及视觉上更清晰的去雨效果。