自从AlexNet深度神经网络在图像分类比赛中取得了第一的成绩,深度神经网络在图像处理中的应用变得越来越广泛。图像修补是指当图像中存在某些空缺部分时,根据周围的像素信息修补空缺部分的过程。传统的图像修补技术大多使用了数学和统计学上的方式进行空缺部分的修补,比如根据像素的RGB值的分布规律等特点。虽然这些技术能够修补空缺的图像,但是修补部分仍然存在瑕疵。而使用深度学习技术进行图像修补则能够更好的还原空缺部分的图像细节。相比于传统的图像修补算法,深度神经网络更多的关注图像中的语义部分。深度神经网络通过多层的卷积层来提取出图像中的语义信息,并用这些语义信息来修补空缺的部分。本文研究了现有的神经网络修补技术和技术中所用到的编码器-解码器神经网络结构,发现了在图像的边缘大范围空缺情况下,现有的图像修补技术不能很好的修补空缺部分的内容。现有的修补技术主要着重于局部的,小范围的空缺的图像,而当图像存在约三分之一左右的空缺时,修补的部分会出现色彩模糊,物体边缘轮廓不清晰的情况。因此本文在现有的网络结构上进行了改进,提出了低分辨率修补神经网络,它能够较好的对大范围空缺的图像进行修补。低分辨率修补神经网络主要由两部分组成,一部分是低分辨率图像生成网络,另一部分是分辨率扩充网络。低分辨率图像生成网络负责修补图像中空缺的部分,并生成低分辨率的修补后的图像。分辨率扩充网络负责将低分辨率的图像还原成原来大小的分辨率。最后本文使用了 Places2数据集对网络的输出进行了验证,相比于现有的图像修补技术,低分辨率修补神经网络有着更好的结果。