图像修复是一项在破损图像的缺失区域填补可替代内容的技术,填补后使得该图像在视觉上是真实的并且在语义上是正确的,此技术可以去除图像中出现的多余对象或修饰照片中所破损的区域。传统的图像修复技术通常运用低级特征来匹配和粘贴相似的像素块来填充缺失的像素,在待修复区域细节方面效果较差,且只适合修复较小的缺失面积。近年来,深度学习方法在图像修复工作中取得了显著成果,尤其生成对抗网络的提出使得图像修复技术取得了令人振奋的效果,因此,本文提出一种基于生成对抗网络的深度学习图像修复算法。首先,通过文献深入学习和研究图像修复的深度学习理论基础,特别对卷积神经网络的框架和工作原理进行了全面研究,阐述了卷积层使用扩张卷积的方法以及生成对抗网络的工作原理。为了使局部细节生成更加合理,使得图像的全局特征和局部纹理都达到逼近真实的修复效果,提出了一种改进的图像修复算法。即在生成对抗网络的基础上引入局部判别网络,使网络模型中包括了生成网络,全局判别网络和局部判别网络。对局部判别网络的卷积层加以改进,使用扩张卷积层代替一部分卷积层,以提取更大面积的局部图像信息。然后引入感知损失函数,使用基于预训练的VGG19网络激活层的特征图差异做对比。网络采用均方误差损失函数、感知损失函数、对抗损失函数三种联合训练生成对抗网络。实验结果表明,提出的方法在公开的celeb A数据集与典型的Patch Match和Context Encoder算法作对比测试,从主观和客观两种评价指标上看,提出的算法图像修复效果有一定改进。