深度学习在计算机视觉领域的迅速发展使得各种技术都有了进一步的提高。在计算机视觉领域,图像质量是影响算法效率的重要基础因素之一。如何提高图像质量是一大研究热点,其中关于如何去除图像中的高光溢出现象也是热点之一。图像的高光溢出现象是影响图像信息的表达、图像色彩的呈现的因素之一,严重的情况下会导致图像受损,不利于图像的进一步处理。从基于传统算法的图像高光处理到现在使用深度学习方法对图像高光的进行处理,修复得到的图像质量逐渐提高,所涉及的领域越来越广泛,但是仍然存在一些不足之处。比如高光区域修复后,修复区域与原图像之间过渡不自然,图像纹理修复不清晰等问题。生成对抗网络（GAN）的出现,为图像处理技术带来了极大的改变,各种基于生成对抗网络的技术层出不穷。为了进一步提高对图像高光区域的修复能力,本文基于现有的生成对抗网络并对其进行改进,提出了两种针对高光区域的修复模型。本文的主要研究内容如下:针对现有的图像高光修复方法中,经常产生过渡不自然、图像纹理修复效果不佳以及高光区域难以划分等问题,本文提出一种新的图像高光修复的方法。该方法首先使用模糊逻辑对图像高光区域进行划分,然后利用生成对抗网络,来对图像高光区域进行修复。在该模型中为了提高对图像纹理方面的修复能力,提高修复效果,改进了生成器网络,添加了扩张卷积,提高对大面积高光区域的修复能力。此外,在该模型中,为了训练图像补全网络的一致性,本模型使用了全局和局部两个判别器来区分真实图像和补全图像。全局判别器用于查看整个图像,以便评估图像作为一个整体是否连贯;而局部判别器仅判断以生成区域为中心的一小块区域,用以确保生成图像的局部一致性。最后用主观评价和客观评价指标验证模型的有效性。为了提高修复后的图像质量,提高对人脸高光区域的修复效果并且进一步提高修复后高光区域与其他区域的过渡连贯性,提出利用使用循环生成对抗网络（Cycle-GAN）来对图像的高光区域进行修复。并改进了其网络结构,添加了部分局部判别器,提高对人脸高光常见区域的高光修复效果。进一步通过编码器来获取图像中的亮度编码信息,并结合不同图像中的亮度编码信息和内容编码信息对高光溢出的情况进行修复。同时使用了多个判别器,来提高了模型对细节区域的修复效果和图像细节的细腻处理。最后通过主观评价和客观评价指标等对模型实验结果进行分析,验证其算法的有效性。