图像修复技术已成为当前研究的重要话题,在公安侦查、社区安全、监控系统等领域有着不可忽视的地位。图像修复是填充缺失区域的任务,这样图像中的修改在语义上是合理的,并且可以进一步用于实际应用中,例如恢复受损或损坏的部分,从图像中移除分散注意力的特征,并完成遮挡区域。针对现有算法在图像大面积区域丢失、背景复杂时,修复纹理欠精细、结构细节丢失的问题,在生成对抗网络的基础上,本文对修复算法进行了研究,主要研究成果为:提出了一种基于双通道网络的区域归一化图像修复算法。首先,将破损图像输入双通道生成网络,先经过基本的区域归一化（RN-B）,将损坏区域和非损坏区域进行单独的归一化,以解决均值和方差的偏移问题;然后,再经过包含融合扩张卷积和可学习区域归一化（RN-L）的残差块,捕获多尺度、多感受野的图像信息并自动检测可能损坏和未损坏的区域,对其进行单独的速率归一化,随后执行全局放射变换以增强损坏区域和非损坏区域融合。最后经过自注意力模块后输入解码层解码,并将结果送入Patch-GAN判别器进行判别优化。在Celeb A-HQ和Paris-street数据集上进行仿真,结果表明,提出算法能提高图像细节纹理的一致性,高度还原图像的相似度,优于对比算法。提出了基于超图卷积（Hypergraphs convolution）的两阶段图像修复算法。首先,将缺失图像输入基于U-net门控卷积的粗修复网络,通过跳跃连接将图像的上下文信息向深层传播,获取丰富的图像细节信息,下采样提取缺失区域边缘特征,上采样还原缺失区域边缘细节,同时使用融合扩张卷积增大信息感受野,获取细节纹理信息。然后,将粗修复结果输入含超图卷积的细修复网络,捕获和学习输入图像中的超图结构,使用空间特征的互相关矩阵捕获空间特征结构,改善结构完整性并提升细节细粒度。最后,将细修复结果输入鉴别器进行判别优化,进一步优化修复结果。在国际公认数据集上进行实验仿真,实验结果显示:提出算法在修复大面积缺失时,可以生成合理的结构,颜色一致性好,细节纹理丰富,优于对比算法。