雨图可以表示为干净背景部分和雨线的线性叠加。单幅图像去雨是一个不适定的层分割问题，目的就是从含雨图像中分割出干净的背景部分。传统的单幅图像去雨算法计算成本高，恢复出的无雨图像存在颜色失真和细节丢失等问题。近年来，基于深度学习的方法在图像领域得到广泛应用。为了提高单幅图像去雨算法的性能，该文利用卷积神经网络对该问题进一步展开研究和分析，具体研究内容如下：
　　首先，提出基于双递归分形网络的快速单幅图像去雨算法。一方面，为了不增加网络的参数，分形网络递归多次，共享参数，减小网络的训练难度。并且分形网络选择了不同扩张因子的光滑扩张卷积来增加网络的感受野，目的使特征图包含更多的场景信息。另一方面，设计的网络逐阶段对输出的去雨图进行去雨，以此提高网络的性能。实验结果表明，对于合成和真实的含雨图像，该算法均能有效的去除图像中的雨线。
　　其次，为弥补轻量级网络特征学习能力有限的不足，提出基于层级多尺度残差网络的单幅图像去雨算法。该算法利用不同大小的卷积核提高网络学习图像细节信息的能力，并通过层级结构适当的增加网络深度来学习更加复杂的特征，残差学习有效的缓解了深层网络带来的梯度消失问题。实验结果表明，得到的复原图像在去雨的同时能够很好的保留图像的背景细节，并且整体视觉效果更加清晰自然。
　　最后，为进一步保留源图像的颜色信息和提高复原图像的颜色饱和度，提出基于通道分解融合的层级交叉网络的单幅图像去雨算法。该算法通过对图像的YUV色彩空间进行通道分解，用深层网络学习受雨影响较大的亮度通道，浅层网络学习受雨影响较小的颜色分量，最后将重建后的YUV空间图像输入到融合子网络中得到复原图像。实验结果表明，该算法在有效的去除雨线的同时，能够很好的保留源图像的细节和颜色信息。