近年来,随着计算机视觉技术的迅速发展,人们对视频图像的质量要求越来越高,存在遮挡与损坏等瑕疵的图像已满足不了人们的需求。图像修复是对图像中破损的区域,在已有图像信息的基础上对其进行复原,其关键在于利用图像已有的信息去填补破损区域的像素,还原图像结构的完整性和内容真实性。卷积神经网络(Convolutional Neural Networks,CNN)具有强大的图像特征提取和表示能力,在图像修复领域中初步表现出良好的复原效果。因此如何针对不同的图像修复任务,设计出优异的网络结构和损失函数一直都是学者们的研究热点。针对运动目标修复的问题,本文采用一种结合显著度和深度信息的运动目标修复算法,论文的主要研究工作包括:1.针对传统分类网络结构丢失信息和参数量过多的问题。本文基于深度学习的生成式对抗网络(Generative Adversarial Networks,GAN),改进了生成器结构并添加基于结构相似性的损失函数,使得网络模型训练速度更快,修复图像的边缘细节更加丰富,整体图像表现更加真实。2.针对视频序列中无法确定遮挡物的位置问题。本文结合视频显著性检测算法和单目视觉深度估计算法,在视频序列中对运动目标被遮挡的情况进行分析,估计出遮挡物的掩码区域,结合图像修复方法对遮挡物进行去除,从而实现运动目标修复的效果。3.针对修复后图像产生模糊和不真实的现象。本文基于判别器网络结构进行改进,改进了全局判别损失函数和局部判别损失函数,并重新改进卷积方式,增大网络的感受野信息,提升修复后图像结构的完整性和内容真实性,更好地保留图像的局部细节信息。综合以上研究,针对运动目标被遮挡的修复问题,本文采用了一套完整的解决方案,通过大量实验对比分析,验证了本文算法的有效性和可行性。