图像修复一直以来是计算机视觉领域的一个热门课题,近几年随着人工智能的蓬勃发展,深度学习也随之快速发展。特别是在图像识别、图像分类、语音识别、身份识别、目标跟踪、图像修复、行为分析等领域的研究上有了巨大的发展。深度学习对于非线性问题的拟合以及对于图像、语音等物理特征的快速有效提取,使得这些原本在传统方法上需要人为设定并人工提取特征的问题变得简单。深度学习的模型训练和学习变得更为方便和快速。虽然深度学习有效解决了一些非线性问题的模型拟合,但是深度学习模型的实现需要大量的训练数据。在图像修复领域,小空洞覆盖的情况下传统方法可以通过对空洞周边信息的计算实现图像修复。但是在大空洞的情况下传统方法由于空洞区域过大,无法实现有效信息的关联,使得无法准确的恢复空洞中的信息。深度学习可以通过对图像提取高级特征,实现对空洞区域的语义理解,实现语义上的恢复。现有的深度学习图像修复算法,往往基于大样本数据的前提下,在小样本数据的情况往往没有很好的修复效果。针对小样本的情况,本文提出了一种对抗循环卷积神经网络算法,该算法充分利用了循环网络提取了多级图像特征。实现了在网络层数较少的情况下对小样本数据的图像的修复。实验结果表明获得了比好的效果。本文的主要贡献为:(1)总结了图像修复技术的发展状况以及研究现状,然后对基于深度学习的图像修复所面临的主要问题作出介绍,同时对文章章节安排作出简要说明。(2)提出了一种对抗循环卷积网络算法,该网络分为生成网络和判决网络两部分。生成网络部分为循环卷积网络,实现了小样本情况下的图像修复。判决网络部分为孪生网络结构,增强了生成网络图片生成的质量,并且使得网络整体更为鲁棒。通过对比实验证明了本文算法在图像修复上有较好的效果。(3)对论文工作进行了简要的概括总结,并对未来的工作与创新点做了展望。