随着计算机视觉技术的不断进步，场景识别在智能监控、增强现实和人机交互等领域发挥着重要作用。然而，在复杂社交场景中，人物遮挡场景信息的问题依然是场景识别的关键挑战之一。尤其是当人物占据画面较大区域或发生相互遮挡时，场景信息的完整性受到严重影响，从而降低识别精度。针对这一问题，本项目提出了一种结合目标检测、图像修复和深度特征提取的场景识别方法，以提升遮挡环境下的识别性能。具体而言，本项目采用YOLO目标检测模型，首先精确识别并定位场景中的人物，以辅助分析遮挡区域。在此基础上，结合对抗边缘学习方法，对被遮挡的场景区域进行图像修复，以恢复被遮挡的环境信息。最后，利用残差网络（ResNet）提取全局与局部特征，实现高鲁棒性的场景识别，即使在遮挡严重的情况下也能准确理解场景内容。本项目的创新点在于：1) 结合目标检测与场景识别，实现对人物遮挡情况下的智能分析；2) 利用对抗边缘学习进行图像修复，有效弥补遮挡区域的信息缺失；3) 采用残差网络提升场景识别的鲁棒性，使得系统在复杂社交场景中仍能保持高识别精度。实验结果表明，该方法在多个场景数据集上的识别准确率相比传统方法提高了12%，在高遮挡场景下仍保持稳定性能，图像修复质量评价指标（如PSNR、SSIM）均有明显提升。研究成果为遮挡环境下的智能场景识别提供了有效解决方案，并为智能视觉系统的实际应用奠定了基础。