随着近些年深度学习和计算机视觉技术的兴起,人脸图像的缺损或遮挡修复方法得到进一步发展,其在老（旧）人脸照片修复、社交娱乐、刑侦人脸图像修复等领域有广泛的应用前景。但是目前许多修复方法仍然存在着问题,例如对缺失区域的结构信息预测不精确导致修复结果存在模糊不清晰的现象;修复后的图像的纹理结构过于简单使得修复结果缺乏图像纹理一致性等。本文在第2章和第3章中分别针对人脸图像缺损修复后产生的模糊现象和缺乏纹理一致性两个问题展开研究,主要研究工作如下:（1）提出了一种基于密集多尺度融合的局部二值模式人脸图像缺损修复模型（Face Image Inpainting Network based on Dense Multi-Scale Fusion of Local Binary Patterns,FI~2N-DMFLBP）。该网络是一种新的端到端的两阶段（粗到细）生成模型,主要解决现有大多数人脸图像修复方法中对缺失区域特征信息提取过少,对待修复区域的结构预测不精确导致图像修复结果模糊的问题。在一阶段的密集多尺度融合的局部二值模式（Dense Multi-Scale Fusion of Local Binary Patterns,DMFLBP）学习网络中,采用密集多尺度融合的形式增加神经元的感受野,使得捕获到的缺失区域的结构信息更加丰富,在第二阶段中将DMFLBP学习网络与实际的修复网络相结合,实现人脸图像缺损修复;在修复网络中,采用U-Net架构的编码器与解码器结构,并引入双向（正、反）跳跃连接,实现特征复用,使修复网络更好地处理图像特征,从而提升图像恢复的质量。实验表明,在公开的高清人脸数据集Celeb A-HQ上,无论是从定性还是定量的角度去考量,该模型与其他主流人脸图像修复网络相比,图像修复质量都取得了较为显著的提升,从而证实了方法的科学性和可行性。（2）提出了一种基于空间注意力机制的人脸图像缺损修复模型（Face Image Inpainting Network based on Dense Multi-Scale Fusion of Local Binary Patterns and Spatial Attention,FI~2N-DMFLBP-SA）。该模型主要针对现有人脸图像修复方法在进行修复时仅仅考虑了已知区域和待修复区域之间的相关性,导致修复图像缺乏纹理一致性的问题,在FI~2N-DMFLBP中引入空间注意力机制,不仅考虑已知区域与所生成区域之间的一致性,而且还考虑所生成区域自身内的一致性,使得修复图像获取到了更多的相关补丁作为优化的参考,进而提高了图像修复的纹理一致性。在公开的高清人脸数据集Celeb A-HQ上面进行对比实验,结果表明,本文提出的FI~2N-DMFLBP-SA模型在定性和定量上均比FI~2N-DMFLBP模型效果更好,并且与同类算法相比也有较好的表现。（3）设计实现了一个基于小程序平台的人脸图像缺损修复系统。将本文提出的人脸图像缺损修复模型应用于实际生活场景中,通过对系统的设计和实现,完成了对日常生活中残缺的人脸图像的修复,并验证了本文所提出的模型实际可行性。通过本系统,用户能够轻便快捷地对人脸图像进行缺损修复,并且得到一种对珍藏的人脸照片进行缺损修复的方案。