图像修复技术的目标是实现对图片中的缺损区域进行修补,并使得修补后的图片具备真实性,是计算机视觉领域的关键技术。目前随着生成对抗网络与变分自编码器等图像生成技术的快速发展,众多科研人员投入到基于深度学习的自然场景图像修复研究中,而专门针对人脸的图像修复研究还相对较少,由于人脸其具有复杂且多样的结构,在自然场景下实现的模型不一定适用于解决人脸图像,并且人脸图像的研究在生活中有广泛的应用场景,基于此,本文所提出的主要工作是针对人脸图像进行修复的解决方案,又由于图像修复是一个不适定问题,意味着其可能存在多解的情况,因此,本文提出了两种人脸图像修复算法,分别针对单元的与多元的修复目标,其中,借鉴了过往针对自然场景图像修复的研究成果,并思考其不足之处,进行了一定的改进和创新,主要贡献如下:首先,在单元人脸图像修复方面,本文介绍了一种高保真度人脸图像修复模型,其主要基于一个带有监督信号的双路注意力模块,通过高效地提取缺损区域内部特征联系与缺损区域与已知区域特征联系,使修复出来的人脸更加符合上下文的关系,有效减少了瑕疵伪影。另外,针对面部器官的复杂与多样性,采用了多鉴别器的结构,对这些区域单独设置鉴别器进行鉴别,引导网络关注这些重点区域。最后,在两个大规模的高清人脸数据集中,通过定量与定性的方式比较了多种方法,从实验结果可以看出,利用本文方法修复的结果取得了最优的效果,同时通过消融实验,分别验证了各模块的有效性。其次,在多元人脸图像修复方面,本文介绍了基于特征向量量化的多元人脸图像修复算法,首先根据过去工作中采用的基于变分自编码器的实现方案,通过理论分析,总结其中存在的缺点与问题,特别是后验崩溃问题,导致从代表多样性的空间采样得到的特征与已知区域产生矛盾的情况,针对这些问题,提出了采用特征向量量化的技术路线,通过完整图片学习人脸特征字典,再引导空洞图像从中匹配潜在的多个特征向量,生成多样化的结果,最后通过定量实验与定性实验设计比较了该方法与过往方法的效果,证明了该方案不仅可以生成高质量的人脸图像,还具有生成多元修复结果的能力。