基于深度学习的图像修复方法是图像修复领域中的研究热点之一,但是该类图像修复方法在修复破损区域的时候,缺乏结构性约束导致修复的区域容易出现结构扭曲、结构断裂等情况。针对上述问题,本文以双鉴别生成对抗网络和模拟生成对抗网络为基础,并把结构约束方法引入了生成对抗网络,提出了两种改进修复算法:(1)针对生成对抗网络图像修复方法的修复结果在视觉连通性上存在结构扭曲,训练过程中易陷入过度学习等问题,提出了一种基于双鉴别网络的生成对抗网络图像修复方法。所提方法修复模型使用了修复网络、全局鉴别网络和局部鉴别网络,修复网络将待修复图像破损区域用相似信息填充后作为输入,极大提高了生成图像的速度与质量。全局鉴别网络综合采用图像全局的边缘结构信息和特征信息以保证修复网络输出的修复图像结果符合视觉连通性。而局部鉴别网络在鉴别输出图像的同时,利用在多个图像中寻找到的辅助特征块来提高鉴别的泛化能力,很好遏止了修复网络在特征过于集中或单一时容易过度学习的问题。(2)针对基于双鉴别网络的生成对抗网络的修复网络缺乏结构指导信息的问题,提出了一种基于结构生成的拟合生成对抗网络图像修复方法。算法采用结构模拟器补全破损图像的结构部分,并以补全的结构信息作为纹理修复的指导信息。为了丰富结构指导信息,结构模拟器模型采用Sobel算法来提取图像的边缘结构,同时,为了避免边缘结构修复效果不佳的情况,该模型还采用了WGAN修复图像的边缘结构。在后续纹理修复过程中,纹理拟合网络不仅采用补全后的边缘结构指导破损图像纹理的修复,还参考了基于结构相似度筛选的多张真实图像纹理信息。实验结果表明,所提修复方法在不同图像类型上有较好的适应性,其修复图像具有更好的视觉连通性。在客观评价指标上,本文方法相比于其他的修复方法在峰值信噪比上提升了2~4dB,在结构相似性上提升了0.05~0.1。