图像是现代生活中信息载体的一种常见形式,完好的图像才能实现信息传输的完整性。但是,经常会出现所需的图像文件破损或被遮挡的现象,例如旧照片的破损以及监控中所需内容的被遮挡等。修复破损图像是一项具有挑战性的任务,其目的是根据破损图像中已知内容对破损区域进行填充。目前关于图像修复的研究很多,可以分为传统方法与深度学习方法两大类。传统方法可以对破损区域较小的图像进行简单的修复,基于深度学习的修复方法相较于传统方法,修复效果有了很大的提升,但是都还存在以下两点不足:1)对于大面积破损的高分辨率图像不能进行很好地修复;2)现有的修复方法都需要提前进行破损区域标注。因此,本文为了解决这些问题进行了如下工作:（1）为实现对破损图像待修复区域的自动标注,提出了基于改进U-net网络的破损区域自动标注模型。本模型是在传统的U-net网络上增加了判别器模块,从而可以利用区域与周围信息的关系来辅助判定是否为破损区域,并进行自动标注;同时在模型中增加了Dropout层,提升网络的泛化能力。（2）为解决大面积破损的高分辨率图像修复效果较差的问题,提出了基于卷积自编码生成式对抗网络（CAE-GAN）的修复模型。该模型先训练生成器学习从高斯噪声到低维特征矩阵的映射关系,再利用卷积自编码网络的解码模块将生成的特征矩阵升维成待搜索的高分辨率图像,然后在其中找出与破损图像匹配度最高的一张,将该图像的对应区域覆盖到破损图像待修复区域,最终实现高分辨率破损图像的修复。通过将学习难度较大的映射关系进行拆分,降低单个映射关系的学习难度,提升了模型训练效果。（3）为验证本文修复模型的有效性,在Celeb A、SVHN、Oxford 102 Flowers和Stanford Cars四个数据集上对不同破损程度的512?512?3高分辨率破损图像进行了修复实验,本文模型成功修复了大面积缺失区域的信息。与Context-Encoders方法和DCGAN方法相比,本文方法在破损面积大的图像上修复效果提升显著。