人类文明的探索离不开考古,古书籍更是占据重要地位,其文物的破损原因纷杂,依靠人工识别文字信息,工作量巨大,且时间长,效率低。随着计算机应用在考古研究中的不断深入,其研究方法愈加向智能化,信息化,综合化发展。在实际研究中,古书籍文物文字信息的破损可视为古汉字图像与遮挡图像的混合,即仅一张混合图像为可研究对象,没有混合方式的先验知识,而单通道盲源分离（single-channel blind source separation,SCBSS）旨在从接收到的唯一混合信号中,分理出源信号,从而提取有用信息,在处理图像、音乐、视频等方面都具有重要研究价值。古汉字修复研究中,卷积混合方式造成的损失虽占据多数,却并非唯一。传统的盲源分离算法都基于混合方式已知的情况下对混合信号进行分离,面向古汉字修复问题,本文分别提出基于深度卷积生成对抗网络的单通道盲去卷积算法（single-channel blind deconvolution algorithm based on deep convolution generating adversarial network,DCSS）和基于三重生成对抗网路的盲源分离算法（single-channel blind source separation algorithm based on trebling generating adversarial network,Tre SS）。DCSS算法面向古汉字修复研究中存在最多的卷积混合方式,该算法使用单通道盲去卷积的方法,首先基于深度卷积生成对抗网络（deep convolution generating adversarial network,DCGAN）对古汉字图像训练集进行预处理,其次将单通道盲去卷积问题转为贝叶斯估计问题,最后基于梯度优化的方式,多次重建估计值,选择误差最小的结果,分离出混合图像中的古汉字图像、遮挡图像与混合矩阵。Tre SS算法主要针对不用混合方式的古汉字损失图像,该算法开发一种新颖的三重生成对抗网络（trebling generative adversarial network,Tre GAN）机制,相比于传统的单个生成对抗网络（generative adversarial network,GAN）,Tre GAN中完成图像重建误差的损失函数通过闭环训练重复优化网络生成器,生成器通过不断的学习与优化损失图像与古汉字图像各个像素点间的映射关系,仅凭借单幅混合图像分离遮挡图像与古汉字图像,从而达到修复古汉字图像的效果。实验基于古汉字数据集分别对卷积混合和线性混合的损失图像进行分离,达到修复图像的效果,并使用峰值信噪比（peak signal-to-noise ratio,PSNR）、结构相似性（structural similarity,SSIM）、巴氏系数相似度三种常用的图像质量评估方法证明算法的有效性。