在计算机视觉和数字图像处理领域,图像修复技术一直是众多科学家研究的热点内容。当图像破损区域较大或已知区域中无可利用信息时,修复结果就会不尽人意。近年来,深度学习的高速发展为图像修复任务带来了新的解决途径。本文主要研究基于生成式对抗网络的图像修复算法,针对图像破损面积过大影响修复效果的问题,并根据图像破损具体状况进行针对性改进,具体工作如下:（1）针对规则破损图像的修复问题,以提升图像修复质量、增强生成对抗网络训练稳定性为目标,提出了一种基于双判别网络的规则破损图像修复方法。生成器模块引入区域归一化替代传统归一化方法,解决无效像素在归一化过程中产生的均值和方差漂移问题,并在中间层使用扩张卷积增大感受野,进一步提升生成图像质量;同时使用马尔科夫判别器融合全局与局部双判别网络组成高效判别网络,提升模型训练效率的同时兼顾修复图像全局与局部修复区域的细节纹理;损失函数使用重建损失缩小生成的图像与原始图像的像素差异,增加TV损失解决修复边界问题,引入RSGAN对抗损失替换原始GAN对抗损失,增强训练过程的稳定性。在大型公开人脸数据集Celeb A上,针对不同规则破损情况分别进行图像修复实验,结果表明,相较于GL算法、PC算法和RN算法,本方法显著提高了规则破损人脸图像的视觉修复效果,峰值信噪比和结构相似度上至少分别提高了0.50 d B和0.010。（2）针对不规则破损图像的修复问题,以优化图像修复效果、提高生成对抗网络训练效率为目标,提出了一种基于部分卷积的不规则破损图像修复方法。生成器模块在上一方法基础上,使用改进后的部分卷积替代经典卷积,保证无效像素与有效像素在卷积、归一化操作过程中完全独立又不会相互影响,进一步提升图像生成质量。判别器模块针对待修复图像不规则破损的特点,提出联合马尔科夫判别器与全局判别网络的GPGAN判别器,兼顾修复图像的各处细节纹理与整体全局效果。使用改进后的重建损失,提升生成的图像与原始图像的相似程度,使用生成对抗损失提高修复效果的真实性。在大型公开人脸数据集Celeb A与小型公开汽车数据集Cars上进行了破损图像的修复实验,实验结果相比CE算法、PC算法和RN算法,有效提升了修复图像的视觉效果,其中峰值信噪比提升了0.08-1.50d B,结构相似度提升了0.004-0.033,表明该方法进行复杂破损图像修复工作的有效性和用于不同数据集的通用性。