图像修复技术作为数字图像处理领域一个非常重要的研究课题,近些年得到快速发展与应用。图像修复是指利用计算机技术针对在获取、存储和传输过程中发生的图像退化进行修复,在科研、医疗等领域具有重大意义。传统修复算法主要通过颜色、纹理、结构等低阶图像信息的扩散和匹配完成修复工作,但此类算法局限较多且修复效果一般。近几年,随着大数据处理技术的发展和硬件资源的日益成熟。深度学习在图像分类、目标检测、图像分割和图像修复等多个图像处理领域以绝对的优势超越了传统的图像处理算法。在图像修复领域,通过将编码器-解码器与生成式对抗网络相结合的方式,产生了很多表现优异的模型,这些模型在处理图像修复任务的效果和能力方面相对传统算法都有了质的飞跃。但是在图像修复任务中,依然会存在部分棘手的问题。当丢失区域被设定为某张图像中占比较小的一个完整个体的一部分的时候,修复模型会给出一个非常荒谬的结果。产生这个问题的本质在于训练时使用的数据集泛化能力太强,导致算法无法对图像中的每个整体进行专门的计算。针对这个问题,本文提出了一种基于目标优化的语义图像修复方法,可以从一定程度上改善修复结果语义不清晰的问题。本文提出的算法主要包含两个方面的工作:一是建立了一个改进的生成式修复模型,通过并联空洞卷积和感官损失函数使模型可以捕获更多的语义信息;二是将修复模型与语义分割模型结合,构造出一种针对目标进行优化的语义图像修复算法。另外,本文还提供了一个端到端的一键图像修复平台,后端集成了多种主流的深度学习修复算法,既可以实现用户自定义图像修复过程中使用的掩膜,又屏蔽了多种算法实现细节上的差异。实验部分的内容证明本文提出的算法在语义修复和目标移除任务上相对于现有成熟算法确实具备更高的可用性和容错性。并且通过对比实验探讨了缺失区域大小以及空洞卷积的步长对模型修复效果的影响。