图像修复技术是视觉领域的重要研究课题。传统的图像修复技术注重填补图像中的缺失信息,基于此人们提出了许多相关的模型和算法,然而这些模型面临着较大的性能瓶颈。随着深度学习在图像处理方面的兴起,图像修复技术不仅能处理更大面积的图像信息丢失问题,也能处理更多不同场景下的信息受损,并且性能上高于传统算法。在简要介绍传统图像修复算法的思想、深度学习技术发展历程和应用成果的基础上,本文详细介绍了深度学习中视觉部分的重要基础概念、基础原理、和基本思想,重点介绍了生成对抗网络的基本原理。基于相关理论知识,本文研究了三类不同的场景下,利用深度学习技术,将信息部分受损或完全丢失的图像修复为符合人眼视觉感知的图像,主要工作如下:(1)单通道灰度图恢复为RGB图像。针对这个问题,研究了自编码器模型和生成对抗网络模型的处理效果。在生成对抗网络模型中,设计了特征图不变的卷积神经网络作为生成器,该方法有效地缓解了已有模型色彩表达不够丰富、对不同物体的边缘区分不明显的问题。(2)修复图像局部区域的偏色异常。研究并对比了改进后自编码模型和生成对抗网络模型的性能区别。考虑到传统编码-解码方案导致生成图像十分模糊,特征图大小不变的深度神经网络需要大量计算,提出在网络输出端多级合并输入图像,该方法有效节省了计算量,提高了生成修复图像的质量,实验显示了多级合并能有效滤除输入图像中不利信息的干扰。(3)图像局部区域信息完全丢失的修复技术研究。在现有算法的基础上提出了三点改进意见,包括结合非局部注意力机制,对输入图像进行多级合并和设置缓冲层,添加辅助全局判别器,通过对比实验结果,验证了改进模型的有效性,所得到的修复图像更符合人眼视觉系统的要求。