图像修复任务的目的是恢复图像中缺失的部分,在生活中有许多应用,如图像编辑、破损老旧照片修复等。然而现有的针对自然场景下的图像修复算法,在修复大面积缺失区域时,存在纹理过度平滑、修复边界明显等问题。为解决这些问题,本文针对自然场景下图像修复任务,改进了一种基于生成对抗网络的图像修复算法。首先,设计了一种基于并行编码结构的生成器网络。利用部分卷积对有效像素进行硬选通的特性搭建内容重构编码器,使其在内容颜色恢复方面具有优势。通过在门卷积单元的门控分支中引入残差结构,构建残差门卷积单元,保证了深层门卷积单元中的门控效果,并利用残差门卷积对特征的每个空间位置进行软选通的特性搭建纹理重构编码器,使其编码后的特征具有较强的纹理信息。语境注意机制中引入内容重构编码器的输出为背景信息基准,对前景进行重构,达到对远距离特征信息进行借用修复的目的。两个编码器并行编码,输出叠加后再进行解码,完成修复。然后,在损失函数设计环节,在原损失函数的基础上引入了伪感知损失项及铰链损失项进行改进,加强了损失函数对生成器纹理生成能力及消除修复区域边界能力的指导作用。通过消融实验可知,该损失函数不仅改善了模型的修复效果,而且加快了模型的收敛速度。通过本文模型在测试集上的实验结果,演示了本文设计的生成器结构及改进后的损失函数能有效提升模型在自然场景下大面积缺失区域的修复能力。最后,实现了轻量化的图像修复模型。分别以深度可分离卷积轻量化基本单元的方式、通道剪枝的方式、以及8bit量化的方式对模型进行压缩,并对以上轻量化模型进行了终端部署。实验结果表明,浮点模型中,50%剪枝比例的剪枝模型的压缩效果及推理时间皆优于深度可分离卷积模型,8bit模型中,量化感知训练的模型在保证了修复效果的同时,大大降低了推理时间。