近年来,随着计算机视觉和人工智能的发展,基于深度学习方法的图像修复技术在医学、军事、监控系统、摄影和电影业等领域得到了广泛的应用。图像修复是指利用图像缺失部分的邻域图像信息或图像整体结构信息,按照一定的修复规则补全出缺失区域或去除图像噪声。至今,根据不同的图像修复问题已提出众多的图像修复算法。虽然这些算法在一定程度上可以对图像进行修复,但也存在无法保留原图像的纹理信息等问题。针对这些问题,本文基于生成对抗网络,对图像补全和图像去噪算法展开了研究,主要研究成果如下:(1)提出了一种基于生成对抗网络的图像分步补全算法。所提算法中使用两个补全模型将图像补全任务分两步完成,预补全模型对图像进行初步补全,还原出图像低维结构信息,增强补全模型在预补全模型的基础上,还原图像的高维纹理信息。并通过实验验证了所提算法在图像补全问题中的有效性和可行性。(2)为了解决已有图像去噪算法在去噪的同时会损失大量图像纹理信息,导致去噪图像过于平滑的问题,提出了一种基于不对称式生成对抗网络的图像去噪算法。该算法为了平衡图像纹理信息保留和去噪性能,在去噪模型和判别模型之间加入下采样层,减小判别模型输入图像尺寸,增加判别模型训练次数,使得去噪模型和判别模型在图像尺寸和训练次数上具有一定的不对称性。实验证明,所提算法在视觉效果和评价指标上都取得较好的效果。(3)通过对提出的不对称式生成对抗网络模型的简化和改善,提出一种改进不对称式生成对抗网络的图像盲去噪算法。在已有模型的基础上,对其去噪模型进行简化,并添加多尺度下采样层以提取更多维度的图像信息进行去噪。除将模型进行图像盲去噪外,还将其应用于图像去雨。大量实验证明,提出的算法相比于目前图像去噪算法,在视觉效果和评价指标两方面均有所提升。