图像恢复的目的是从退化的观测图像中尽可能恢复出干净的图像。图像恢复问题长期存在,并且是计算机视觉研究的基本问题。然而图像恢复问题的数学表达和图像恢复算法的普适性问题一直没有得到很好的解决,这些问题阻碍着图像恢复的进一步研究和发展。近期深度学习的深入研究和发展为解决图像恢复问题提供了一个很好的解决方案。事实证明,更为强大和全面的先验信息和具有普适性的无监督学习算法将显著提升算法的恢复能力。本文的研究基于图像恢复算法的理论基础,利用生成网络模型和无监督学习算法,将传统的图像恢复问题在新的求解思路上进行求解。本论文主要研究图像填充和图像去马赛克问题:（1）众多研究者已经成功的利用生成网络解决图像恢复问题,通过分析他们成功的经验,我们提出了一种在小波变换域和多尺度像素域下的可逆生成网络。在小波变换域中,我们引入了离散小波变换,该变换将输入图像从图像域变为时频域,最终输入进网络的时频域图像大小为原来的四分之一,通道数为原来的四倍。与此同时,像素域的尺度变换通过下采样将输入图像变换为原来的四分之一,通道数扩充为原图像的四倍,然后作为新的输入进入网络。最后,我们将这两种变换域的输入分别进入不同可逆生成网络并使其各自的输出服从正态分布。（2）图像去马赛克任务最大的困难在于待恢复图像丢失了过多的信息。在其中的一种研究模式中,待恢复图像丢失了原图像三分之二的信息,因此求解难度大。在这项研究中,我们提出了一种无监督学习算法,使用联合图像域和梯度域的渐进求解算法。与其他算法相比,我们的算法预先训练生成网络来获得图像的先验信息,并将该先验信息用于最终的图像求解过程中。综上所述,本论文研究的两个图像恢复任务均以生成网络为工具,无监督学习算法为核心,将生成网络学习的先验信息用于最后的图像恢复。