在恶劣环境,如雨、雪、雾等复杂气象条件下,大气光会受到空气中微小颗粒的散射作用,这就使得参与成像的光发生衰减,进而导致拍摄的图片大部分都会退化降质,具体表现为大量细节不可见,画面模糊不清以及图像整体对比度降低。同时大多数计算机视觉任务,如目标识别、目标追踪和交通监测,都对图像质量有较高的要求。此外,与视频去雨不同,图像在成像过程中丢失了绝大部分的三维空间信息,这为图像去雨工作的开展带来了更高的难度。因此,研究复杂气象条件下的单幅图像增强技术是十分有必要的。本文主要讨论的是基于数据驱动的图像增强算法,这类方法主要是以深度学习为代表,首先制作相应的训练数据集,构建各类神经网络模型,再利用先验条件定制损失函数,最终利用反向传播算法训练神经网络,让神经网络从庞大的数据中学习图像的特征,相较于基于物理模型的传统图像增强方法,这类算法也是更加有效。目前,基于深度学习的去雨工作主要存在两项不足:第一点,许多方法不采用预处理而直接将原始图像置于网络中,这种方法由于忽略了图像中会蕴含大量的无关信息,最终会导致图像增强效果不明显,达不到预期效果;其次,当图像中纹理细节的尺寸与轮廓与目标相似时,绝大多数方法会因为无法有效的传递信息最终导致图像变得十分模糊。考虑到上述问题,本文针对单幅图像中存在的雨痕,设计了一种全新的残差网络框架——同源残差网络模型（the Same Source Residual Module,SSRM）,不同于原始的残差网络,SSRM中所有的跳跃链接的起点相同,这种结构大大强化了网络的泛化能力。此外,为了保证能较为完整的保存图像的色彩信息,将雨图从RGB空间映射到HSI空间下,利用HSI空间模型的特点将亮度分量单独分离出来,然后利用负残差原理学习有雨和无雨图像的对应深层残差特征,最后再将HSI空间下的增强图像映射回RGB空间。此外,为进一步增强去雨效果以及缩短算法运算时长,提出了快速去雨网络Fast Derain Net。Fast Derain Net由SSRM网络模块,图像分解,负残差模型三大部分组成,SSRM用于作为参数处理层可以有效地提取图像特征进行训练,使用图像分解则能有助于缩小解的映射范围,最后利用负残差模型修改损失函数以达到简化训练的目的。在人造图像以及真实图像上的实验结果也说明了,Fast Derain Net无论是在主观视觉效果,还是具体的客观评价指标上取得的结果都明显优于众多新型算法。