图像复原技术随着数字技术的发展,已被广泛应用于多个领域,是图像处理领域中一个重要的研究方向。传统图像复原方法如逆滤波法、维纳滤波法、最小二乘法等难以解决函数逼近问题,难以应用于复杂场景。本文主要使用生成对抗网络实现图像超分辨率重建和图像修复两方面的复原任务。图像超分辨率重建在预处理时会出现丢失部分图像重要的高频细节,重建图像过于光滑以及网络模型训练不稳定等问题。图像修复过程中存在受伪像影响、修复结果一致性不足、修复时间过长等问题。通过对上述问题的研究和实验分析,本文提出的改进的单帧图像超分辨率重建方法和改进的基于多尺度特征融合的渐进式语义图像修复方法在一定程度上提高了图像复原的质量和效率,主要工作内容如下:（1）改进基于拉普拉斯金字塔的图像生成方法,采用基于条件的生成对抗网络,在生成网络和判别网络中加入训练数据集标签作为输入条件,对生成器和判别器训练进行边界约束,在判别网络中使用谱范数正则化,达到了网络生成图像更加清晰、训练过程稳定且网络较快收敛的效果,为后续进行图像超分辨及图像修复的图像复原研究打好理论和实验基础。（2）提出单帧图像的耦合生成式对抗超分辨率重建方法,将耦合生成对抗网络经调整改进后应用于图像超分辨率重建任务;生成网络中引入自注意力增强卷积,兼顾图像中每个位置及其远端的细节;对生成器和判别器的学习能力作出平衡,在图像的多样性和生成质量间做出平衡;使用相对判别损失函数作为来自对抗神经网络的目标函数,使得网络结构更加稳定。实验证明了本文提出的方法在图像超分辨率重建方面的有效性。（3）提出基于多尺度特征融合的渐进式语义图像修复方法,通过课程学习的方式分步完成图像修复任务;生成网络改进编码-解码网络结构,融合不同尺度的图像特征,使用上下文注意力机制;判别网络中使用全局和局部双判别器,保证修复图像的真实性和完整性,实现图像语义修复。实验结果表明该方法具有较好的修复结果。