图像是互联网信息的重要组成部分,数字图像修复技术是指利用图像缺失区域的邻域信息,按照一定的规则实现图像修复,达到视觉上无法感知图像曾经出现过缺失的目的。根据修复区域的大小可以分为针对小区域的图像修补问题和针对大区域的图像补全问题,在图像补全问题中,缺失区域过大导致补全过程难度更大。近年来,卷积神经网络在图像处理领域表现较好,生成对抗网络在生成问题上也体现出独到的生成效果,而图像补全问题目前还处于研究阶段,不论是传统算法还是深度学习算法都无法取得令人满意的结果。因此,本文以生成对抗网络为核心,研究深度学习在图像补全问题上的表现并进行SOC设计进一步提高算法性能。本文首先分析了上下文编码器这一结构在解决图像补全问题上的表现;分析其存在的问题,包括处理图像像素过小、缺失区域占比过大、网络结构过于复杂、数据量过高等问题;对此本文提高了图像的分辨率、调整了缺失部分占整幅图像的比例、网络结构信息等数据设计基于深度生成对抗网络的图像补全算法;该网络模型以生成网络、判别网络为基础,结合深度卷积网络在图像处理上的优势,生成网络中包括输入层、下采样层、特征隐藏层、上采样层、输出层,判别网络使用卷积层实现;接下来在ImageNet数据集上进行训练,对网络进行参数调优并得到了一个表现更好的网络结构参数;最终在相同测试集下进行网络的功能性能测试,同现有网络结构的实现结果进行对比,采用结构相似性（SSIM）、峰值信噪比（PSNR）等图像质量评价指标评定网络性能,结果表明本文的网络在图像补全问题上表现更好。以本文设计的深度生成对抗网络结构为基础,分析图像补全算法的运算细节,设计IP,采用SOC软硬结合的方法在ZedBoard平台上实现图像补全功能。由于网络运算的核心部分卷积运算具有复杂性、可重复性较强的特点,因此采用并行设计将在一定程度上降低功耗、提高运算速度。首先,提取网络结构参数,将浮点数定点化便于FPGA运算;其次,设计卷积计算IP核,进行blockdesign,使用FPGA完成卷积运算过程;最后,进行ARM端设计,完成多层卷积间的数据控制。完成SOC设计后进行联合测试,验证图像补全的效果,同算法结果对比说明SOC设计实现了上述算法完成了图像补全任务。