图像修复作为数字图像处理中的一个重要分支,广泛应用在文物保护、刑侦、生物医疗、航空航天等领域。传统的图像修复方法存在图像块误匹配、块区域修复视觉效果较差等问题,深度学习作为一种新兴的工具,在提取特征上相比传统方法能够获得更深层、更加具有特定性的特征表示,已经在计算机视觉和图像处理领域中都取得了良好的效果。基于深度学习的生成对抗网络（GAN,Generative Adversarial Networks）能够学习图像已知区域的特征,这些特征可用于预测图像缺损区域,从而实现缺损图像的自我修复。但是GAN网络往往参数较多,运算量及占用内存空间较大,不利于应用在资源受限的嵌入式端。为了解决上述问题,本文完成了以下工作:（1）构建了一种参数较少、图像修复效果较佳的M-GAN（Mobile-GAN）网络。M-GAN的生成网络采用自编码器结构,并在网络中间层加入空洞卷积操作增大卷积核的感受区域,使网络学习到更多的图像特征,能够更加准确地完成图像修复任务;在不改变网络中标准卷积层输出特征的前提下,将标准卷积转换为深度可分离卷积,使生成网络的参数减少了50%左右;M-GAN鉴别网络由两个子网络组成:全局鉴别网络和局部鉴别网络,全局鉴别网络改善了修复结果的整体一致性,局部鉴别网络增强了缺失区域经修复后与图像整体之间的视觉合理性。在PC端通过实验选取合适的学习率,利用特定的训练集、有效的训练方法训练M-GAN网络,使网络较好地实现了自然场景图像随机区域缺失的修复,然后测试网络,将测试结果分别以主观和客观的角度,与典型的传统图像修复方法测试结果对比分析,证实了本文M-GAN网络具有更好的修复效果,解决了传统方法具有的图像块误匹配导致的内容错乱、块区域修复效果差的问题。（2）采用裁剪和量化两种神经网络压缩方式进一步压缩M-GAN生成网络得到精简图像修复模型Mobile-G。裁剪依据网络批量归一化层中的特征缩放因子,本文通过实验寻找到裁剪与网络输出精度损失的平衡,选取60%作为最终的裁剪率,有效地降低了网络冗余。为了进一步减小模型的空间,以满足嵌入式端的要求,本文将裁剪后的网络模型进行量化,使模型大小在裁剪后的基础上再缩减了75%。（3）将Mobile-G模型成功移植到Android移动端嵌入式平台,实现离线图像修复系统的设计。本系统操作简单方便,用户只需通过点击界面中“拍照”或“相册”按钮,调用设备摄像头或本地相册获取图像,然后系统会自动完成加载模型、随机抠图、数据转换与传递、执行模型运算、输出并显示修复结果等任务;经过测试,本系统能够低耗、快速地完成图像修复任务。本文对深度学习生成对抗网络进行改进,完成了视觉效果佳的图像修复任务,解决了传统图像修复方法存在的一些问题,同时减少了网络参数;然后采取裁剪和量化两种方式对网络进一步压缩;最后将压缩后的网络移植到Android平台,实现离线的图像修复系统。本系统能够低耗、快速地完成视觉效果佳的自然场景图像随机区域缺损的修复任务,对基于深度学习的图像修复研究及神经网络在资源受限的嵌入式平台的应用具有一定的参考意义。