数字图像在日常的采集和传输过程中,会有很多原因导致其内容受到干扰。随着通信技术的快速发展,人们的生活与图像信息开始变得密不可分,这也使得解决图像缺失问题的方法日益精进。数字图像修复是计算机视觉领域的重要研究方向,近年来随着深度学习在图像处理方面的表现十分优异,越来越多的研究团队开始利用深度学习的相关方法处理图像修复问题。本文利用多种深度学习方法,对图像修复任务中的几个关键问题进行了研究,主要工作有以下几个部分:(1)以图像风格迁移任务为切入点,对于国内外现有的图像风格迁移方法进行收集和总结,将传统基于非参数方法的图像风格迁移算法和基于深度学习方法的图像风格迁移算法进行对比,展现了卷积神经网络尤其是多层的深度卷积神经网络在图像特征提取和应用方面的优势。在这些方法中,详细介绍了不同风格迁移网络的适用场景,总结得到:过深的网络会使图像生成结果的时间增长,网络参数过多;预训练网络的训练数据会干扰网络在使用时对图像内容的感知;生成对抗网络生成图像需要高质量的数据集和人为调整的超参数,不易控制生成图像的结果。这部分工作的主要目的是为后面的研究提供了理论和实验基础。(2)利用U-Net网络的结构优势以及卷积神经网络自身的特征提取能力,提出了一种基于U-Net网络结构的图像修复方法,该方法可以利用图像本身的内容作为先验知识进行图像修复,不需要预训练。在网络的损失函数定义上使用了内容相似损失替换原有的均方误差损失,保证了生成图像的质量,结果表明此网络生成的修复图像效果优于同类预训练网络。(3)在可分离卷积的思想影响下,改良了原有的U-Net网络,将子模块中的部分普通卷积修改为深度可分离卷积,并将其应用于数字图像的水印去除任务中,结果表明,模型在减少了网络参数和计算复杂度的同时并没有降低生成图像的质量,证明了深度可分离卷积与普通卷积的等效性,为水印去除的研究提供了可靠的实验方案。