生成对抗网络是在2014年由谷歌大脑研究员Ian Goodfellow等人首先提出的基于博弈论思想的模型,它在机器学习领域得到了众多研究者的关注。在计算机视觉领域,生成对抗网络对于缺失区域的图像补全有着广泛的应用前景。通过分析基于生成对抗网络的现有研究成果,同时查阅图像修复及人脸置换等传统实现方法,本文利用搭建改进的生成对抗网络,采用卷积神经网络构建生成器与判别器,结合相关的图像处理工具,先后完成人脸补全和人脸置换两大任务。通过大量科学系统的实验,同时结合客观性的评价指标及具有代表性的调查方法,证实了搭建网络在处理以上任务中的良好性能。受到深度卷积生成对抗网络的启发,本文先后开创性地搭建了改进的深度卷积生成对抗网络、改进的基于Wasserstein距离的生成对抗网络,分别进行了人脸补全的实验,比较了两种模型在不同训练迭代次数下的人脸补全性能。同时,针对补全还原度不够高的问题,提出了协同生成对抗网络,利用两个生成器分别就图像的整体轮廓和局部区域生成真实样本,通过有逻辑性的大量实验,证明该网络在人脸补全上的表现比前两种改进的模型在性能上提升了至少30%。另外,还创造性地提出了基于交叉熵和像素均方差相结合的损失函数,使得协同生成对抗网络在处理大面积遮挡的人脸补全问题时性能提升了至少50%。本文最后还通过卷积层间的参数共享机制,创造性地提出利用协同生成对抗网络实现了人脸置换,证实了该模型在人脸置换中的有效性和合理性。