人脸识别技术近年来得到了显著的发展。但识别有部分遮挡的人脸对于现存的人脸识别技术依旧是一个挑战。在实际应用中,对于有遮挡的人脸图像修复的需求越来越多,如监控和公共安全领域。为了能更好的识别人脸图像,提高识别效率,需要在识别前对有遮挡的人脸图像进行修复还原,因为被遮挡部分通常包含有影响整个面部变化的关键特征信息(例如鼻子、眼睛、嘴巴等)。人脸图像的修复是图像复原领域研究中的一个重要课题。图像复原作为一种常见的图像编辑操作,旨在用合理的内容填充图像中的缺失区域。生成的内容既需要与原始内容保持相似,也要完全符合整体图像,使得复原的图像看上去是真实的。在过去的几十年里,由于其固有的模糊性和自然图像的复杂性,图像复原(图像修复)一直是计算机视觉和图像图形界具有挑战性的研究热点。本文结合传统的基于结构和纹理的图像修复、基于深度学习的图像修复和生成对抗网络的相关知识,分析了人脸的关键点和结构特征信息,提出了一种改进的边界均衡生成对抗网络(BEGAN)模型对遮挡的人脸图像进行生成修复,首先在CelebA数据集上训练BEGAN生成对抗网络,接着将遮挡的人脸图像输入BEGAN中,尝试将遮挡部分进行生成修复;其次为了使得生成的图像与原脸图像更相似和更自然,算法中定义了两个判别网络:全局的结构判别网络负责优化人脸修复图像全局的边缘结构信息和特征信息以保证修复的人脸图像结果符合视觉认知;而局部的纹理判别网络则负责优化所生成的遮挡区域与原脸图像的其它面部内容相似(例如皮肤纹理、色泽等),使生成的人脸图像更加自然连贯。最后综合全局和局部两个判别网络的损失函数,利用反向传播算法,把待修复的人脸图像映射到较小的潜在空间,将映射后的矢量数据输入到BEGAN中生成最佳的人脸修复图像,从而实现人脸遮挡图像的生成修复。本文在CelebA人脸图像数据集中进行了大量的实验,并对实验结果进行了分析对比,主要分为主观评价和客观评价。在主观评价上,主要是让行内和行外人员在视觉感官上对人脸图像修复效果进行评分;在客观评价上,将本文模型与PatchMatch模型和Context Encoder模型做对比实验,使用峰值信噪比和结构相似性指数来比较模型修复效果的优劣。结果表明,本模型能对遮挡的人脸图像实现良好的修复,并优于进行对比实验的两个模型。