近年来,伴随着相关软硬件技术的飞速发展,视觉信息采集设备迅速普及,走入大街小巷,进入千家万户。随之而来的是图像、视频等视觉数据信息的爆棚,给数据的处理和解读带来巨大压力。以监控数据为例,十数年前,也许采用人工的方式翻查监控视频还能勉力为之,而现如今已经明显成为不可能完成的任务。因此,对视觉数据进行自动分析理解成为当前备受关注的热点研究课题。本文将主要针对图像自动分析理解研究中的遮挡问题展开。目前视觉信息中占统治地位的是二维图像数据,而由于二维图像是三维客观世界向某二维平面投影而来,维度的损失必然引发遮挡问题。遮挡的存在意味着被遮挡信息的完全损失,对物体的检测、分割、识别、分类、理解等工作产生严重影响,与光照、姿态等一起成为制约相关算法性能的最主要因素。因此,解决图像遮挡补偿问题,势在必行。显而易见,被遮挡信息在图像中是完全丢失的,根据信息守恒原理,要恢复相关内容,丢失的信息必须通过某种方式进行补偿。图像的内容千变万化,不可能提前预知,所以我们选择以海量数据信息构建遮挡信息补偿模型,填补遮挡造成的信息缺损。由于涉及信息众多,采用对大数据信息具备较好建模能力的深度学习方式进行模型构建。在具体建模方式上,我们设计提出基于深度卷积生成对抗网络和基于残差部分卷积对抗神经网络两种方式,并提出相应图像遮挡补偿算法。其中,前者架构相对简洁,适用于单一数据类型图像遮挡补偿,如人脸图像。后者则基于残差网络的选择修复能力能够实现对一般性图像数据的有效补偿修复。本文方法在大量实际图像数据中进行定性和定量验证测试,与现有其他方法对比展现出良好性能。