图像修复技术一直是计算机视觉领域和图像处理领域的研究热点。利用图像修复方法将人脸图像的缺失部位补充完整,对于医疗美容、侦查办案、文物保护等领域具有巨大的应用前景和商业价值。传统的人脸图像修复算法主要是利用缺失区域的邻域信息修复受损区域,但是这些算法的修复效果往往比较模糊粗糙。近年来,深度学习在图像生成、图像语义修复等领域逐渐展现出巨大的作用,相较于传统的修复算法能够学习更多的图像高级特征,拥有更好的修复效果。而生成式对抗网络利用对抗训练的生成器网络和判别器网络,可以生成与原图相似的假图像。因此,本文将深度学习技术和生成对抗网络的知识运用到了人脸修复中。本文的图像修复算法模型以原始的生成对抗网络为基础,然后分别从网络结构、损失函数及评价指标进行了改进设计。网络结构上生成器采用从粗糙到精细的级联式生成模型,并加入改进的密集连接模块,判别器采用局部与全局共同判别的双层判别式模型;损失函数由最小化重构损失和对抗网络损失组成;评价方式上采用主观视觉分析和客观指标评估的双重评价。实验过程中首先对CelebA数据集进行预处理得到训练图像和测试图像,然后将带缺失区域的训练图像输入生成器网络得到初步的修复图,再经过判别器网络的对抗训练和损失函数的不断优化,最终输出完好的修复结果。通过主客观的试验结果表明本文在人脸图像上能够修复60%以上的缺失区域,相比其他算法在峰值信噪比和结构相似性上分别提高了0.332-8.893dB和0.002-0.356。因此,本文方法对于缺失图像不仅能够进行信息补全,还能使修复的区域与整体图形更加和谐一致,相比其余修复算法的效果更好。