图像修复技术在现代图像处理领域发挥的作用越来越大。传统的图像修复算法能够较好地修复图像缺失的背景和简单纹理,但是不适用于如人脸、景色等复杂自然图像的修复工作。基于深度学习的图像修复算法能够很好地弥补传统图像修复算法的不足,但现有的大多数基于深度学习的图像修复算法还有难以修复图像大范围缺失和复杂结构信息的不足之处。针对现有方法存在的不足,本文的研究内容和主要研究工作如下:(1)研究了基于生成对抗网络的图像修复算法。针对图像大范围难以修复的问题,本文基于生成对抗网络技术提出一种图像修复模型。该模型包括生成模型和判别模型,其中生成模型的架构是一个带跳跃连接的自编码器的结构,主要任务是将待修复的图像压缩编码后再进行解码生成修复后的图像。判别模型则由局部判别器和全局判别器两部分组成,其中局部判别器负责判别修复结果语义正确与否,而全局判别器则关注于修复后的整张图片是否具有整体连贯性。本研究使用对抗损失和重建损失的联合损失训练模型。实验证明,本文提出模型在修复结果的视觉和性能指标上优于现有的一些模型。(2)研究了基于生成对抗网络的边缘指导图像修复模型。本研究主要针对第一个研究内容所提出的模型难以修复复杂结构信息的不足进行改进,提出了先修复边缘后填充内容的图像修复模型。该模型由边缘修复模型和内容填充模型两部分组成,边缘修复模型基于生成对抗网络架构,生成网络是一个自编码器网络加上一个优化网络,判别网络是简单的卷积神经网络,内容填充模型的结构与边缘修复模型类似,只是缺少了优化网络。本研究使用对抗损失和特征匹配损失训练边缘修复模型,用重建损失、对抗损失和风格损失的联合损失训练内容填充模型。实验证明,本文提出的模型修复结果优于现有的多数图像修复模型。(3)设计并实现了在线图像处理平台。用户通过注册和登录进入系统,使用在线图像处理平台提供的图像修复和图像生成服务,而管理员登录进系统,则可以多使用模型调用监控服务。综上所述,本文提出两种基于生成对抗网络的图像修复模型,实验证明本文提出模型较优于现有的一些模型。本文还将模型部署至服务器,开发了一款在线图像处理平台调用模型以供用户使用。