图像修复是指利用待修复图像已知部位的信息按照某种规则来填充修补未知部位,达到人眼无法分辨图像是否被修复过的效果。传统的图像修复方法,例如基于纹理或结构的方法,在修复大面积区域破损的图像时效果不佳。如何保证修复后的图像不仅在语义和结构上连贯,同时还原缺失区域的细节和纹理成了图像修复领域的主要研究热点。自从生成对抗网络出现以后,由于其强大的生成和特征学习能力被广泛应用于图像修复任务。传统的生成对抗网络存在训练不稳定和模式崩溃等问题,针对这些存在的问题本文提出了一种基于生成对抗网络的图像修复方法,主要研究内容如下:（1）针对传统生成对抗网络存在的例如训练困难、模型收敛困难、模式崩溃等问题,引入Wassertein距离作为度量标准,结合WGAN（Wassertein Generative Adversarial Networks）的思想对传统生成对抗网络做出改进;引入梯度惩罚项和一致性项来完成Lipschitz约束,稳定生成对抗网络的训练,保证生成样本的多样性。（2）在上述修复模型的基础上,提出采用局部判别器和全局判别器相配合的方式,保证修复后的图像在全局结构和局部细节上尽可能的连贯真实;针对修复后的图像存在纹理细节不清晰和局部信息模糊的问题,在生成器中引入跳跃连接,并增加移位连接模块来获得更加精细的纹理细节和更加合理的语义;引入纹理网络,结合特征重建损失、均方误差损失和对抗损失对修复模型进行迭代训练,提高生成器的纹理细节生成能力。（3）应用本文设计的图像修复模型实现图像文字自动去除。首先使用文字检测算法得到图像中文字区域的位置信息,在文字区域生成掩码模拟真实破损部分,最后通过基于生成对抗网络的修复算法对去除文字后的缺失图像进行修复,达到图像文字自动去除的效果。