在木材生长和加工过程中产生的缺陷会影响单板的视觉和机械性能,进而影响由单板制成的木制产品的质量,因此处理单板缺陷成为木材产品加工过程中非常重要的一环。研究者们进行了大量的相关研究,但主要集中在木材缺陷检测识别的方法,没有实现损失率最小化的目标,未真正有效提高木材利用率。本文研究基于对抗生成网络（GAN）的单板表面纹理重建的方法,通过生成器和判别器的对抗博弈训练模型,最终重建单板缺陷区域表面纹理。该方法对人造板等木制产品补绘修复,从而实现劣材优用,达到提高木材利用率的目的。具体如下:构建单板图像采集系统。采集东北地区生产加工中使用最多的落叶松、樟子松、红松、桦木及杨树五个树种的单板图像,将图像数据按照有无缺陷分为两个数据集,单板缺陷图像按照活节、死节、虫眼分类。针对图像修复需要人工对被修复区域绘制掩膜的问题,对单板缺陷实例分割网络模型进行研究。该模型能够检测出单板中的缺陷并分割出缺陷区域,能够对缺陷区域自动地生成掩膜,同时实现检测和分割,为后续单板缺陷区域的纹理修复网络提供所需的遮罩。针对修复复杂纹理时易出现全局不一致的问题,研究基于注意力机制对抗生成网络的单板纹理修复模型。通过注意力机制有效地评估缺失区域与空间距离远的画面信息之间的相关性,使得模型在修复过程中关注到背景图像中的重要特征,从而重建出全局一致性强的木材纹理。针对训练中容易出现的梯度爆炸和边缘伪影问题,研究基于分区归一化对抗生成网络的单板纹理修复模型。分区归一化将特征图的前景（缺失区域）和背景（已知区域）分别进行归一化处理,避免对特征图整体归一化可能导致的均值和标准差偏差的出现,使得训练更稳定,加快模型收敛速度,增强边缘细节。在构建的数据集上经实验验证表明,基于分区归一化对抗生成网络的TG-Net算法在峰值信噪比（PSNR）和结构相似性（SSIM）上分别提高了22.9%和29.8%。固定遮罩和随机遮罩的纹理预测结果都表现出较高的精度和丰富的细节,在视觉上与周围的健康区域表现出非常强的一致性。