图像修复属于数字图像处理中的一个重要的研究分支,它是指将有缺损的图像通过技术手段复原,使其尽可能与原图像相同。目前图像修复在医学、安保、军事以及电影等行业中都有广泛应用,因此有很重要的研究价值。而近年来,深度学习尤其是生成对抗网络的出现,给图像修复研究提供了更好的技术和手段。边缘是数字图像中一个重要的信息,它可以在一定程度上可以反映物体的信息,确定物体的形状和边界。而在图像修复中,经常出现由于无法确定原图像中物体及人物的边界,进而出现无法正确还原图像的问题,因此可以使用边缘信息引导图像修复。本文将围绕边缘信息对深度学习图像修复方法的影响进行研究,提出一种基于边缘预测和引导的图像修复方法。该方法由两部分组成,第一部分为一个边缘预测网络,用于预测残缺部分的边缘信息;第二部分为图像修复网络,利用边缘信息进行图像修复。在与未进行边缘引导的修复图像进行对比后,可发现修复效果明显提升。实验结果表明,利用边缘信息来引导生成对抗网络进行训练,可以获得更好的图像修复结果。本文的主要工作主要体现在以下三方面:1.本文使用了一个残差U-Net网络作为生成对抗网络的生成器,对图像缺失部分的边缘进行预测,获取完整的图像边缘信息。实验结果表明,该网络可预测出大部分关键的缺失边缘信息。2.在图像修复网络中加入注意力模块,经对比该模块可有效提升训练速度。并将预测的边缘图像作为网络输入进行引导,最后将结果与未进行边缘引导的修复图像进行对比。结果表明,加入边缘引导后可获得更好的修复结果。3.利用Python语言实现一个图像修复系统,该系统功能包括图像读取,对图像任意部分进行污损,对污损图像修复,预测边缘和修复结果的展示。