图像作为视觉的客观反映媒介,是人类认识自身乃至世界的重要信息来源。计算机技术的发展为数字图像处理技术的兴起提供了条件。然而,由于图像在进行传输或存储过程中不可避免地会受到噪声、环境或者人为因素的影响,从而导致图像部分信息丢失。因此对于图像修复技术的研究是一个基本且重要的课题。图像具有丰富的细节特征信息。由于图像沿着某一方向的像素值呈现出不规律的变化趋势,因此可将其看作二维的非平稳信号进行分析。经验模态分解（Empirical Mode Decomposition,EMD）是一种针对非线性非平稳信号的自适应分解方法,它可以有效避免小波变换等传统非线性非平稳信号分析方法存在的缺陷。鉴于EMD的优良性能,国内外学者将其拓展到二维信号,得到了针对图像等二维信号的二维经验模态分解（Bidimensional Empirical Mode Decomposition,BEMD）技术。本文围绕经验模态分解的原理以及关键技术展开研究,针对BEMD存在的边界效应以及局限性提出了改进方法。除此之外,将经验模态分解与深度学习相结合,探索了其分解结果作为特征先验信息应用于图像修复神经网络中的有效性,具体如下:（1）针对BEMD分解过程中无法精准确定边界极值点从而产生边界效应的问题,提出了一种基于二分类的镜像延拓方法。该方法在镜像延拓之前预先对边界极值点进行分类处理,聚焦难以确定为极值点的边界像素点进行延拓。该法在求取边界极值的同时,降低了计算冗余。通过实验仿真,证明了该方法对于抑制边界效应的有效性。（2）针对BEMD只有一个分解通道而无法分解彩色图像的问题,引入了二维多元经验模态分解（Bidimensional Multivariate Empirical Mode Decomposition,BMEMD）,多元即多通道,该方法在BEMD的基础上增加了通道数用来处理多幅图像。因此本文提出了一种将彩色图像分为R、G、B三个通道进行模态分解的思想。实验结果表明,分解所得的一阶BIMF分量和残余分量分别包含了原图的纹理特征和颜色信息,这种特征提取的方法为后续图像修复提供了条件。（3）根据条件生成对抗网络（Conditional Generative Adversarial Networks,CGAN）在生成对抗网络（Generative Adversarial Networks,GAN）的基础上增加输入约束变量以控制生成图像类型这一思想,提出了将BMEMD所提取的图像特征作为先验信息与CGAN结合的方法,实现了较原模型更具有针对性的修复。具体做法为:首先,将CGAN的条件约束输入换作具有纹理特征和颜色信息的参考图像;其次,调整模型的参数进行收敛训练;最后,通过主观视觉感受以及PSNR、SSIM和收敛速度三个客观指标对实验结果进行定性和定量分析。此外,采用GAN和原始CGAN模型修复图像作为对比试验,实验结果表明,本文提出的基于特征提取的CGAN图像修复方法在保证修复图像质量的同时,有效地提升了图像修复的效率。