1.一种基于多尺度融合残差网络的单幅图像去雨方法，其特征在于：具体步骤如下：S1、确立训练网络的数据集；

S2、对于图像的特征提取进行大量提取块的组合实验；

S3、确立初步的网络结构；

S4、初始化权重，准备训练；

S5、对于损失函数的选择，根据经验并结合试验确定损失函数的组合MSE和SSIM；

S6、使用国际化的优化器，SGD随机梯度下降算法；

S7、利用数据集进行网络训练，反复迭代，确定网络的整体结构，寻找最优的准确率；网络训练采用了Xavier权重初始化方式，即网络中每一层输出的方差应该和其他输出的方差尽量相等，总的网络训练时间为8个小时；网络训练受限于算力条件的影响，网络训练过程中batchsize的取值为4，经过了70轮的训练网络收敛，并且训练时初始学习率设置为0.01，学习率随迭代轮数递减，每20轮超参数lr衰减为原先的1/10；

S8、使用公认的权威数据集Rain100H,Rain100L,Rain12进行效果测试；

S9、将合成后的雨图送进卷积神经网络进行前向传播，前向传播过程中会经过卷积层进行特征提取，之后经过归化层进行数据映射，最后通过激活函数来进行非线性映射，提高网络的拟合能力；

S10、获取去雨图像后与无雨图像计算损失；

S11、得到损失函数后进行反向梯度计算；

S12、结合学习率进行反向权重更新，学习率一开始按照国际化区域标准设置，随着训次数的迭代，学习率不断下降，每当权重更新后，代表一次训练结束；

S13、重复S9‑S12步操作，继续输入合成数据训练网络，直到loss值趋于平稳，网络收敛；

S14、训练好的参数被保存下来，测试阶段直接加载保存的模型，然后对输入真实雨图进行前向传播，此时不再进行反向传播，因为无需去更新、保存权重，直接经过计算得到最终的去雨图像。

2.根据权利要求1所述的一种基于多尺度融合残差网络的单幅图像去雨方法，其特征在于：所述S2中的组合实验在硬件设备为NVIDIA GeForce GTX 1080Ti的计算机集群上进行。