在各类图像中,人脸图像具有重要的地位,很多关于人脸图像的相关技术已经被应用到实际生活中。然而,人脸图像在其生命周期中可能会遭受各种各样的退化,比如,噪声、模糊、压缩伪影、颜色丢失、低分辨率等。这导致图像中信息的流失,既直接影响对人脸图像的欣赏,又间接影响诸如人脸检测、人脸识别等下游应用的表现。因此,对遭受多种退化的人脸图像进行修复不仅具有重要的人文意义,也具有重要的应用意义。在对图像及人脸图像进行修复的研究中,大多数研究只关注处理某一个退化种类,但是在实际应用场景中,图像可能遭受多种退化的破坏,这导致这些单退化修复工作在实际应用场景中往往性能不佳。近两年,几个新颖的工作开始依托于深度学习技术中优异的图像生成、图像翻译方法的强大学习能力,关注直接修复多退化混合图像,取得了优秀的性能。本文的目的是对于难以分离建模的退化种类进行多退化混合建模修复,对于易于分离建模的颜色丢失、低分辨率退化进行单独定向建模修复,最后能够对真实环境下的多退化人脸图像进行泛化能力较强的修复。首先,面向多退化混合问题进行统一建模。值得注意的是,图像修复问题是不适定问题,即一个退化图像可能对应多个高质量图像,多退化混合条件下更加大了这种不确定性,但相关的研究往往相对忽略了对不确定性问题的关注,这使得这几个研究的算法性能仍受到修复不确定性的困扰。本文在现有的隐空间对齐及输出空间对齐的人脸图像修复算法的基础上引入不确定性约束。具体的,在相应的空间中构造不同的学习分支,再利用不同学习分支的输出衡量不确定性,形成加权图,进而对不同的像素分配不同的修复“注意力”,更精确地进行空间对齐。实验结果证明在不同空间引入不确定性约束后,基础算法都能够实现更好的多退化混合人脸图像修复。进一步,面向人脸图像上色及超分辨率任务分别定向建模。其中在主要任务的基础上利用人脸解析任务形成多任务学习框架,以此引入相关的人脸语义信息辅助主要的修复任务能够有效学习相关内容,进行更符合人脸语义的上色、超分辨率。进一步,通过逐级地构建跳连设计了一种残差结构,用于融合不同感受野下的信息,提升模型的学习能力。实验结果证明引入人脸解析任务与残差结构能够带来更好的修复性能。最后,本文通过整合所提出的算法。实现了一个对多退化人脸图像进行修复的流程,能够有效地适应真实环境下的复杂多退化。