图像修复是计算机图形学领域的一个热门课题。传统的图像修复方法基于图像本身的冗余性,根据图像中缺损周边的像素和区域信息进行推理并逐步向内修复,修复结果存在边界模糊及填充纹理不自然的问题。人脸图像有别于一般自然场景,人脸结构固定,脸部器官对称且具有唯一性。由于人脸图像被遮挡部位的信息并不冗余,传统方法的修复效果不佳。近年来,研究者广泛采用生成对抗网络完成图像修复任务。当前人脸图像修复方法仍有缺陷,比如修复区域图像模糊、肤色有差异、结构错误、存在伪影等。本文针对这些问题,采用生成对抗网络（GAN）,提出了两种改进的人脸图像修复方法,并在实验中取得了优于现有方法的修复效果。本文的主要工作内容如下:（1）提出了一种基于U-Net结构的GAN人脸图像修复方法。生成器采用U-Net结构,U-Net强大的多维特征提取能力使该网络可以在模型较小的情况下提取结构固定的人脸语义信息。在生成器中采用门控卷积和扩张卷积替代普通的卷积层,门控卷积使模型能够学习任意形状的遮挡,扩张卷积具有比普通卷积更大的卷积范围,保留了图像的全局信息。在判别器中引入PatchGAN结构并使用谱归一化卷积层,PatchGAN可以提升修复区域的纹理细节,谱归一化能够提升训练的稳定性。提出一种综合了逐像素损失、感知损失、风格损失、平滑损失以及GAN对抗损失的联合损失函数。对抗损失用来区分生成的人脸图像与原始人脸图像,风格损失可以保持恢复的面部区域和未遮挡的面部区域之间的风格一致,平滑损失用来改善棋盘伪影,感知损失用来获取真实纹理,逐像素损失用来使图像保持全局一致。（2）提出了一种基于多尺度编码的两阶段GAN人脸图像修复方法。生成器由粗修复网络和细化修复网络组成。粗修复网络采用多个不同尺寸的卷积核对特征进行编码,提取人脸结构特征,进行初步修复;细化修复网络采用基于绝对值的上下文注意力模块以增强网络中特征的匹配,对人脸图像进行细粒度的修复,生成最终结果。判别器采用同样的谱归一化的PatchGAN判别器,对特征点进行密集判别,并改进了判别器损失函数,提出一种由重构损失、对抗损失以及感知损失构成的联合损失函数,迫使生成器生成更加优质的图像。本文在人脸图像数据集Celeb A和Celeb A-HQ上对上述两种方法进行了充分的实验验证,并与几种经典的人脸图像修复方法进行比较分析,结果表明,以上两种方法的人脸图像修复效果在整体结构和细节纹理上都有明显的提升。本文还对所提方法进行了消融实验研究,结果表明,本文方法的改进工作有效提升了模型的人脸图像修复效果。