计算机视觉在人工智能体系中就像我们人类的眼睛一样,把各种生活中的图像数据加以处理使得机器可以像人一样理解处理图像。近年来,随着人工智能和大数据技术的不断成熟以及在各行各业中的使用不断地增多,采集存储的图像数据也不断的增多,图像数据会有不同程度的缺损破坏,因此图像修复在图形图像学和计算机视觉中是一个比较受关注的课题。图像修复的难点在于破损的部分信息未知,封闭未知的部分的信息丢失。学习破损周边部分信息,引导算法修复图像,生成完整图像成为重点。目前大部分修复方法能在修复固定形状的缺失图像时效果较好,当修复多种形状的缺失图像时效果较差,同时对于大面积缺失或背景复杂的图像修复效果欠佳。因此为了克服现有方法的不足之处,实现各种缺失图像的自动修复并且使修复结果看起来真实自然,是一项非常有意义的工作。生成对抗网络自问世以来在数据增强和低质量数据提升的应用研究取得显著成效。因此本研究基于生成对抗网络的方法来进行对缺失图像自动修复的研究,主要研究内容分别为下面三个内容:（1）提出了融合多尺度残差编码的图像修复方法（Multiscale Residual Coding Networks,MRC-Net）。采用生成对抗的思想,通过改进Pix2pix模型的生成网络,编码网络每一层下采样采用残差网络,之后的特征推测引入空洞卷积层,编码网络和解码网络对应层之间跳跃连接的拼接方式增加的原始特征的重用。同时在判别网络中引入多尺度判别网络,提高模型对图像细节纹理的鉴别,通过联合多尺度损失、像素损失和全变分损失反馈提高对修复模型修复的约束能力,经过修复网络和判别模型不断地传递其损失,使模型能够将各种形状的缺失图像自动修复。将MRC-Net模型在数据集Celeb A和数据集Places2上训练与测试。实验表明,MRC-Net模型能有效提取缺失信息,可以较好的修复各种形状缺失类型的图像,同时可以提高图像修复结果的质量。（2）提出了融合多尺度残差注意力的图像修复方法（Multiscale Residual Squeezeand-Excitation Networks,MRS-Net）。在原始的多尺度对抗修复模型中引入残差注意力模块,通过多尺度损失、联合像素损失、内容损失、风格损失和全变分损失共同反馈修复模型,确保缺失部分的修复边界与原始图像在视觉上连贯一致,通过二进制交叉熵损失反馈判别网络。将MRS-Net模型在数据集Celeb A和数据集Places2上训练与测试。实验表明,MRS-Net模型进一步提高修复结果质量,同时在大面积缺失图像的修复结果有所提升,修复结果具有自然过渡的边界和清晰的细节,在评价指标上均有所提高。（3）设计一个缺失图像修复的原型系统,并实现平台系统的功能有用户信息管理功能、图像修复系统的介绍、图像修复算法的介绍、上传图像的功能、预处理图像的功能、图像修复的功能、查看图像的功能、下载图像的功能。