随着人工智能技术的进步,我们对图像的处理能力在不断地提高,其中图像修复特别是人脸图像修复不仅有潜力帮助提高目标检测、分类、识别等计算机视觉任务的精度,同时在现实生活中具有很高的应用价值。传统的图像修复算法在含有狭长的破损区域的纹理图像上获得了不错的效果,但是针对精度和语义要求更高的人脸图像没有良好的修复效果。近年来,伴随着深度学习和生成对抗网络技术的进步,有很多基于深度学习的人脸图像修复方法被提出,这些方法能够对图像的一定范围污染有良好的修复效果,但是仍然存在着一定的不足,例如修复网络无法兼顾图像的全局一致性和局部一致性、修复结果人为痕迹明显、需要的时间较长等。针对存在的这些问题,本文在生成对抗网络的基础上提出了改进的人脸图像修复模型,本文的思路为先对局部污染的人脸图像进行边缘补全,再对其进行填充修复。首先通过边缘补全模块,提取出人脸图像的部分边缘,经过生成对抗网络的处理得到边缘的补全图,然后将边缘补全图和原图输入到人脸修复模块,同时引入基于人脸特征的多判别器来优化修复效果,之后生成出语义一致的完整人脸。然后引入三个评估指标距离得分（FID）、峰值信噪比（PSNR）以及结构相似性（SSIM）,通过实验从直观定性和定量两个角度与其他人脸修复算法进行比较,表明本文所提出的模型修复效果更好。另外,由于局部污染对人脸完整性产生的影响,相关识别工作往往有一定的困难,传统的人脸识别算法在这种情况均有一定的不足。本文为减少局部污染对识别工作产生的影响,提出了一个针对局部污染人脸图像识别模型,即先对污染部分进行修复,然后使用改进的VGG网络进行特征提取,并引入三元损失和加权欧氏距离来提高识别的准确率,经过实验测试了本文提出模型在CASIA-Web Face、LFW、Multi-pie数据集上的表现,在多种不同污染率下修复识别准确率均在50%以上。最后在本文改进模型的基础上进行系统实现,开发了局部污染人脸图像的修复与识别系统,通过对该系统的介绍和展示,表明了该系统对局部污染人脸图像的修复和识别均表现良好,具有一定的实用性。