古籍文献是人类文化传播的桥梁,是了解古代人民生产生活的重要途径,对古籍文献进行图像修复的研究有助于促进地方旅游、经济、文化、教育事业的发展,同时对古代历史、文化与精神文明建设有重要意义。然而,目前对古籍文献破损图像数字化修复的研究仍然处于研究初期阶段,大量的古籍文献因为环境腐蚀、纸张磨损及缺乏保护导致损毁。同时,受图像采集设备硬件拍摄能力限制,部分古籍文献的数字化图像分辨率低下,为后期的图像处理和研究工作造成不便。因此数字图像修复技术可以被用于解决图像破损、图像分辨率低下的情况。深度学习(Deep learning)中对抗生成网络(Generative Adversarial Network,简称GAN)凭借网络结构的优越性,被广泛的应用于图像生成领域。但对抗生成网络在古籍文献数字化图像修复过程中仍然存在以下三个问题:1、针对残缺古籍文献图像生成特定区域纹理的问题仍然亟需解决;2、因采集设备的分辨率限制,低分辨率图像提升分辨率和图像细节的问题;3、构建稳定的网络结构可以快速建立对抗生成模型的问题。本文使用对抗生成网络的方法,研究古籍文献数字化图像的修复技术,具体的工作内容如下:(1)提出一种针对固定区域纹理修复的对抗生成网络算法模型。本文使用局部损失函数改进了附加信息对抗生成网络,优化了附加信息对抗生成网络的网络结构,提出局部损失函数和全局平滑损失函数相结合的生成模型损失函数,生成了古籍文献固定区域的残缺纹理。(2)提出一种针对低分辨率图像对抗生成网络的超分辨率算法模型。本文构造了拉普拉斯金字塔结构的对抗生成网络模型,该模型凭借多层图像金字塔重构方法,兼顾图像的宏观风格和图像高频细节。以噪声作为网络模型的输入层,模拟真实的数据高频分布,生成高频细节部分,在原始图像上采样的基础上,生成细节效果更丰富的高分辨率图像。(3)提出了一种基于对抗生成网络损失函数的降噪算法。以孤立像素点检测方法鉴别噪声图像,用于降低对抗生成网络生成图像过程中的噪点。凭借孤立像素点检测方法的网络结构,能够减少图像幅面60%的噪点。(4)建立了一套古籍文献数字化图像修复原型系统。对古籍文献破损、低分辨率图像给出相应的修复图像,为古籍文献研究者提供了一个能够给出快速客观的修复图像的途径。综上,本文所提到的对抗生成网络的网络结构,可以针对数字化图像的残缺和低分辨率问题进行图像修复,并且可以被应用到更广泛的图像修复问题中。同时,根据本文的实验结果,图像修复技术中人眼识别错误率达到了83%,超分辨率技术实现4倍的图像像素扩充。