图像补全是计算机视觉中的一个重要研究方向，具有广阔的应用前景。深度学习图像补全方法一般有基于自编码器、生成对抗网络和循环网络这三种基础技术的方法，然而大部分方法的输出结果都非常单一，对每一张缺损图像输入都只能生成一个补全结果。由于每一张缺损图像的可能结果所对应的概率空间非常大，为了获得补全结果的多样性，本文提出一种基于标签差异化的图像补全方法，称为LD-PICNet(Label Differentiation PICNet)，该方法不仅可以生成清晰且具有较好语义信息的补全图像，在生成结果上还可以通过主动编辑标签来最大化输出的多样性。具体来说，本文引入了一个类似ACGAN的辅助分类器，将图像groundtruth的单个标签用在对图像的重建上，并在图像补全时利用标签主动增加隐向量的差异性，达到对输出增强其变化性的目的。此外，本文还通过信息熵引入了一个深度加权损失函数，对图像缺损区域越深的位置赋予越低的权重，以进一步增强模型输出多样化的能力。为了评估LD-PICNet的能力，本文在4个不同的数据集上进行了实验，分别测试模型对不同类型目标的补全能力，分别是人脸(CelebA)、建筑(Paris)、风景(Place2)以及普通图片(ImageNet)，结果表明，本方法具备生成多样化结果的能力，并与目前较先进的方法相比清晰度更高。同时为了增强图像补全质量，提出了基于超分辨率的图像补全框架，通过超分辨率方法对图像补全生成的低分辨率补全结果进行二次生成，缓解图像补全算法无法处理高分辨率图像的问题。经过实验证明，本文模型能够对图像补全任务产生较好的多样化结果。