遮挡是实际生活中普遍存在的现象,被遮挡的物体会缺失部分信息丢失,严重影响着计算机对于图像的理解和分析,因此遮挡一直是阻碍着计算机视觉一些重要研究的发展。被遮挡的图像不便于我们对于图像的分析和处理,也影响了我们对于图像的目标检测与识别等研究。图像修复指复原图像中缺损位置的信息。主要是通过图像中现存信息的特征,去还原图像中的缺失部分。人脸修复作为图像修复领域重要的一个分支,在实际生活中具有重要的应用价值。然而现有图像修复方法存在一定的局限性,它们需要在输入缺损图像的同时输入缺损位置具体信息,这很难应用于实际场景。而在现实生活中如安防视频监控系统中,我们通常捕捉到的视频图像人脸都会存在部分遮挡,在一定程度上丢失了人脸关键点信息,对于识别产生了较大的影响。因此设计出一种能够精致修复被遮挡部位人脸的方法是有必要的。近年来,随着深度神经网络的发展,特别是生成对抗网络的提出,涌现出许多优秀的图像修复方法,使用这些方法修复后的图像不仅语义合理,且内容真实,达到了真假难辨的地步,人脸修复效果也随之提升。然而对于遮挡人脸来说,由于遮挡区域像素随机,严重影响着修复过程中的特征流通,因此对遮挡区域进行较为精准的修复较为困难,且最终修复结果很难在细节上达到理想值。目前,尚未有成型的方法来进行人脸遮挡补偿。因此,本文就此展开研究,构建基于深度学习的人脸遮挡修复模型。由于遮挡的随机性,直接对遮挡部位进行修复具有一定难度,因此本文设计出具有遮挡分割和遮挡修复功能的模型来解决此问题。本文提出了一种基于多尺度特征的编解码网络,可以较为准确的分割出遮挡人脸图像的遮挡部分并且修复被遮挡区域。整个网络结构分为两个阶段,第一个阶段进行遮挡区域分割和遮挡粗修复,第二阶段对第一阶段的修复结果进行精调。在第一阶段中,我们根据门控卷积的特点,将遮挡修复编码器丢失的特征融合到遮挡分割编码器中,从而更好地预测遮挡部分。此外,我们构造了一个特征金字塔网络,在修复编码器中融合上下编码特征,并在解码过程中对各个层次的编码金字塔特征进行融合,从而指导解码器更好地恢复纯净人脸图像。第二阶段是对第一阶段修复结果进行精细调整,为了得到更加真实清晰的图像,我们在解码后加了两层空洞卷积来扩大感受野。通过在人工合成人脸数据集上实验,证明了本文所提方法在人脸遮挡盲修复方面拥有很好的效果。