数字图像修复技术是计算机领域广泛使用的技术。传统的数字图像修复技术大多基于结构与纹理,在受损面积较大或有语义信息缺失时,修复效果会大幅下降。近年来,生成对抗网络表现出了强大的推导语义信息及捕获图像特征的能力,在图像修复领域逐渐引起重视。然而目前基于对抗网络的图像修复方法仍存在训练不稳定、准确性尚有不足的问题。因此,针对这两点,本文研究并实现了一个基于全局与局部感知对抗网络的图像修复算法。本文首先介绍生成对抗网络及其改进算法,再详细阐述基于全局与局部感知对抗网络的图像修复算法的设计原理,并使用TensorFlow计算库进行算法的实现,最终通过实验对算法进行评估。其中,针对算法模型的训练稳定性和修复准确性问题,做出了以下的改进:(1)在原始生成对抗网络的模型结构基础上,引入局部判别网络,以提高修复图像在修复区域上的修复效果。(2)为了解决对抗网络训练困难的问题,并提高修复图像的整体准确性,使用Wasserstein生成对抗损失代替原始对抗网络的生成对抗损失。(3)引入感知对抗损失,将修复图像和真实图像在判别网络隐藏层的特征差异做为损失,通过对抗训练,持续帮助修复网络捕获其输出和真实图像在高级特征上的差异。且为了令模型在训练时遵循先优化图像的像素及结构相似性,再优化图像高级特征的顺序,将感知对抗损失初始权重设为较小的值,并令其权重随时间递增。本文使用CelebA数据集,并在训练阶段将图像受损类型限定为矩形,从而对算法进行训练与测试。实验表明,与CE和GLI算法相比,本算法在此条件下训练更加稳定,且测试时,在主观评估指标和客观评估指标下都达到了更好的修复效果。