图像修复是计算机视觉领域研究的一项重要内容,其目的是利用图像中已有信息还原图像缺损部分。随着深度学习的发展,基于卷积神经网络的图像修复技术更是在刑事侦破、文物保护及影视特效等领域有着重要的应用。但现有的图像修复方法往往存在着图像修复结果不够清晰以及结果多样化不足等缺点。基于此,本文以人脸图像为研究对象,提出了一种基于变分自编码器(variational autoencoder,VAE)的图像修复新方法来获得更加清晰、更加多样化的修复图像。本文首先对传统图像修复方法和基于深度学习的图像修复方法的研究历史及现状进行介绍,重点介绍基于深度学习的图像修复方法,并介绍了三种主流深度学习生成模型的研究现状;随后介绍了本文涉及到的VAE、生成式对抗网络(Generative Adversarial Networks,GAN)和泊松图像编辑的理论基础,并针对现有方法提出改进的图像修复模型。针对现有方法存在修复人脸图像不清晰的问题,本文在利用VAE进行图像修复的同时,通过引入GAN的判别网络和损失函数的设计提高修复图像的清晰度;为了获得更好的修复效果,通过动态规划寻找生成图像与待修复图像的最小误差分割边界,并利用泊松图像编辑得到无缝融合的结果;最后,本文对图像修复模型中的隐变量进行约束,使得隐变量各个维度尽可能相互独立,实现特征解耦(feature disentanglement)操作,从而获得具有特定属性的图像,增加修复图像的多样性。本文在CelebA数据集上进行实验。通过与经典方法对比,本文方法在定性、定量比较上均获得了良好的图像修复结果;并通过实验对比分析了图像融合对于图像修复的影响;同时,通过显式的控制隐变量的不同维度,展现了不同属性的人脸图像修复结果。