图像修复技术是一种长期发展的技术,而人脸图像的修复具有更加重要的意义,也是研究的热点。本文结合深度神经网络(Deep Neural Network,DNN)与生成式对抗网络(Generative Adversarial Networks,GAN)技术,深入研究了人脸修复技术的场景特点和关键技术,并且结合人脸关键点的预测以及人脸特征信息预测,提出了一种用于人脸图像修复的高效的模型。主要研究内容分为三部分:(1)提出了一个针对残缺人脸的人脸关键点检测模型。提出了一个用于产生残缺人脸结构特征的模型,用于产生一些对于人脸修复有用的特征。为了得到残缺人脸的特征信息,本模型通过输入残缺人脸,实现人脸关键点坐标的回归以及特征点编码以及人脸属性(性别,姿势,微笑和戴眼镜)的学习,输出残缺人脸的辅助信息特征。(2)提出了一个针对人脸修复模型中的生成网络的图像编码的特征学习模型。为了使得人脸关键点检测模型与残缺人脸编码很好的结合在一起,网络能够很好地学习出残缺人脸的全部特征,本文基于Wide&Deep模型原理设计了生成网络的编码,综合了残缺人脸的辅助信息特征与残缺人脸的局部结构特征,实现了残缺人脸的高效特征编码,提高生成模型的性能。(3)提出了一个利用多特征多任务学习的生成式对抗网络的人脸修复模型。为了实现图像的修复,本文基于GAN模型的原理,通过AutoEncoder的原理设计了由残缺人脸生成完整人脸的生成模型,并且通过自注意力原理增强结构性特征学习。基于多任务学习模型的原理设计了一个由多模块组成的判别模型(包括整体判别模型,局部判别模型),用判别模型判断模型是否真实。通过迭代学习,不断地提高生成模型与判别模型的性能从而形成对抗,最后获得有效的生成模型网络。