人脸补全是计算机视觉和图像处理领域中的一个重要话题。它的核心任务在于还原图像信息,使生成的补全结果与真值结果尽可能保持一致。由于现有的人脸补全方法没有对补全结果与真值结果的一致性进行强有力的约束,且忽视了人脸图像的对称性特征,从而导致无法对人脸的任意部位,尤其是对称部位,生成真实自然且与真值结果一致的补全结果。除此之外,高分辨率人脸图像已经成为主体,但是现有方法大多都无法适用于高分辨率人脸图像补全。针对这些问题,本文对人脸补全方法展开了研究。主要的研究成果如下:首先,为了保证生成的补全结果真实合理且与真值结果一致,本文提出了生成性人脸补全方法。该方法采用了生成对抗网络来构建补全模型。其中,生成器采用“u-net”网络结构,用于生成补全结果。全局判别器和局部判别器以判别损失的形式来指导补全结果的生成,它们分别使生成的补全结果语义合理、真实自然。除此之外,本文还采用了结构损失和像素损失来约束补全结果与真值结果的一致性。然后,根据人脸图像的对称性特征,提出了对称性感知人脸补全方法。该方法是在生成性人脸补全方法的基础上针对人脸的对称性部位补全进行了优化。优化策略分为两步,首先是侦测人脸的对称性元素（眼睛、鼻子、嘴）,然后利用侦测元素构建损失函数来优化人脸的对称性元素的补全。对于对称性元素侦测,本文提出了一个启发式的侦测方法,该方法可以有效的提高侦测的准确率。对于对称性元素补全的优化,本文采用了对称判别器,并利用对称判别损失以及对称像素损失来对检测的对称性元素的补全进行优化。最后,本文在对称性感知人脸补全方法的基础上进一步提出了高分辨率人脸补全方法,以实现对对称性感知人脸补全方法的高分辨率扩展。本文采用了改进的渐进式训练方式来获取高分辨率人脸补全模型,采用了风格损失来优化补全结果的高频细节,使生成的高分辨率补全结果更加真实自然。定性和定量的评估实验表明,本文的人脸补全方法相比于现有方法在视觉效果以及评估指标上都具有一定的提升。