雨是常见的恶劣天气现象,会严重降低采集到的视频图像质量,影响户外视觉系统对自然场景内容的有效提取。近年来对高质量视频的迫切需求,使视频去雨任务引起广泛的关注,并且成为当下研究的热点之一。目前针对视频去雨任务的方法大致能分为两类:基于传统物理模型驱动的算法和基于神经网络的算法。视频中所包含的信息繁多,传统模型的方法需要建立复杂的先验约束刻画该任务模型,所含参数量过于庞大。深度学习的方法虽然一定程度上解决了传统模型方法的缺陷,但是没有充分利用有效的时空域信息,依旧会造成不必要的信息损失。基于上述所提到的问题,本文引入空间和时间域参数,建立了一个基于时空先验的综合视频去雨模型。通过半二次优化迭代求解此模型,可以实质性地提供一个有序深度展开框架,将传统模型先验和深度学习的优势结合起来,利用可学习网络结构建立三个基础模块具体求解该模型,以达到准确去雨和保留背景细节信息的目的。目前大量的主观和客观评估表明所提出的方法在去雨和背景细节恢复方面明显优于其他最新的视频去雨方法,也充分证明了该框架的可靠性和有效性。为了更精准刻画雨的分布和恢复背景细节,本文又设计了一个基于雨分解和空间域引导的视频去雨方法来解决该任务。首先将雨分离成位置和强度两个层面,从这两个层面去刻画雨线特征,并且定义了一种可学习的网络结构来刻画雨的分布,利用位置引导图辅助描述强度特征的单帧去雨模块,以达到精准去雨的目的。然后搭建了带有边缘（空间）引导图的时空域融合模块,以在时间域上保留空间信息,恢复背景细节信息并提高帧的质量。通过大量相关实验表明,该方法在视频去雨任务方面比其他去雨方法表现更优越,验证了所提出网络的有效性。同时该方法也可以应用到视频去噪任务中,同样得到不错的恢复效果,进一步验证了该方法的泛化能力。