近年来,随着人工智能和计算机视觉的飞速发展,图像补全已成为重要的研究领域,被广泛应用于摄影、安防、医学等各个行业。传统的图像补全算法在实际应用中效果并不理想。随着近几年深度学习在图像处理领域不断取得显著成果,生成对抗网络（Generative Adversarial Networks,GAN）凭借强大的特征表达和学习能力逐渐替代了基于像素扩散和基于补丁块类的传统图像补全算法。本文分析国内外图像补全技术的研究现状,针对图像的结构信息（边缘轮廓）和颜色信息（色彩内容）进行研究,通过改进后的生成对抗网络完成图像的修复任务。论文主要工作如下:（1）残缺区域的边缘信息修复模型研究与改进完整准确的边缘信息能给予内容修复网络丰富且关键的特征信息,使图像的修复结果更符合上下文语义信息。本文提出了多尺度内容注意力机制,该机制将已知补丁的特征作为卷积过滤器来处理预生成的补丁,并利用多尺度补丁实现残缺生成区域与周围背景区域的基本特征和整体风格的一致性。（2）残缺区域的内容信息修复模型研究与改进内容生成对抗网络在边缘特征基础上生成RGB内容图,得到完整的修复图像。本文提出Ada IN残差块,既解决网络梯度消失问题,又在特征图层面上改变数据分布来实现图像细节的逼真生成。另外,本文还提出了多区域鉴别器,满足任意缺失形状的补全,并注重修复结果与完整图像的风格、语义一致性。（3）基于生成对抗网络的图像补全模型具体设计与实现。在上述研究的基础上,本文对Nazeri等的工作进行了改进,设计并实现了基于生成对抗网络的图像补全网络模型,主要分为两个阶段:1)边缘生成;2)内容补全。修复模型的核心思想是由边缘轮廓来指导色彩内容的生成,使修复结果即在全局上具有合理的结构变化,又在局部上具有精细的细节信息,满足全局与局部的一致性。本文在CelebA、Places2图像数据集上对所提出的网络模型进行多组对比实验,验证了边缘信息、Ada IN残差块、多尺度内容注意力机制、多区域鉴别器四个模块的有效性。此外,将本文的修复模型与相关工作进行实验对比,其修复结果验证本文的图像补全算法能生成更逼真且更符合视觉效果的图像。