近年来,基于深度学习的图像修复方法,不管是针对规则的矩形修复,还是非规则的孔洞区域修复等,都取得了比较好的修复效果。它们的共同点是要么使用了标准的卷积网络,要么损失函数的构成考虑不全面或者模型结构过于复杂等。这些往往会导致图像修复时间长,生成的修复图像纹理细节模糊、不真实等问题。为了克服现存的问题,本文在已有研究的基础上,优化了将有效卷积和生成对抗网络（GAN）相结合的图像修复方法,做了如下方面的改进:1、在损失函数方面,以往的学者们通常考虑的是将图像的内容损失和对抗损失结合起来,但是这往往使生成图像的局部细节不够清晰。因此,本文在该损失函数组成的基础上,增加了一阶范数（L1）损失函数和变分损失(LTV)函数[1]。其中,一阶范数损失函数能使生成的图像在待修复区域的边缘和剩余信息之间能够平滑的融合为一体,变分损失函数能够使我们生成的图片在整体上看上去连贯、真实。2、在训练样本方面,以往的学者们通常采用的是网络上公开的数据集,比如Cifar10,Image Net等。而我们通过实验发现,对于修复任务而言,这些小尺寸的图片样本在输入进网络前,通过变换尺寸、插值等操作后,图片像素发生了改变,导致模型在训练阶段用的数据与我们实际的样本是有区别的。故我们采用了一种新的公开数据集,Places2中的标准数据集[2]。该数据集包含了丰富多样的场景图片,并且图片大小都是256x256,这样的训练样本对我们模型不仅能产生很好的泛化性,而且还能保持样本在输入前和输入后的一致性。3、在模型结构方面,我们为了达到快速修复图像的目的,采用了生成对抗网络模型结构,摒弃了部分学者们采用的多种训练模型结合的方式。在该结构中,我们采用了小块的残差网络、多尺度采样等操作。从而,不仅使图像在训练阶段的迭代次数减少了,而且在生成效果的模糊度方面也有所改善。在文中,我们也通过实验结果数据对比、理论层面分析来证明了我们模型结构的有效性。4、在各损失函数权重选择方面,我们不是简单的将所有损失部分直接相加,也不是直接应用有些学者所采用的损失权重,而是通过实验分析得到的结果。