图像修复旨在为图像的破损部分填充有意义的内容,使整张图像场景自然、语义完整。随着社会的发展,图像修复的应用场景变得越来越广泛,例如:人脸修复、图像编辑、壁画修复、文物保护等等。多变的应用场景使自动化图像修复算法研究成为图像修复领域的热点问题。自从卷积神经网络被人们广泛应用以来,数据驱动的深度自动图像修复算法逐渐成为主流方法。尽管现有的图像修复算法在恢复破损图像内容上表现出强大的能力,其生成结果仍存在内容缺失、颜色偏差、风格差异等问题。这主要有以下几点原因:算法模型参数多,过拟合的风险大;大部分模型是单轮图像修复,即破损图像被一个前馈式网络修复后直接输出结果,未考虑到人工图像修复是一个循环迭代的过程;模型仅在单个分支中修复图像,忽略了其他分辨率下对特征图信息的提取和修复;图像修复过程中,未显示提供修复指导信息等。通过对以上几个问题的研究优化,本文的主要研究工作分为如下部分:（1）基于生成对抗网络的迭代式图像修复模型设计。该模型主要由图像编码模块、迭代式纹理—结构图像修复模块、特征融合模块和图像解码模块构成。经过编码模块后,特征图在迭代修复模块中并行地经过结构修复分支和纹理修复分支进行修复并输出。该输出特征图既是本轮迭代的结果,又是下一轮迭代的输入。经过多次迭代后,特征融合模块自动融合多次迭代的结果,由图像解码模块解码生成修复后的图像。迭代式图像修复模型采用生成对抗网络实现,模仿了人类修复图像的思想。同时,通过缩减通道数、改善注意力等等方式约束模型的整体参数,使得本文模型能以更少的参数量达到与其他图像修复模型近似甚至更好的结果。（2）纹理—结构分支修复设计。以往的图像修复模型将图像编码到单个低分辨率的特征空间中并在此特征空间中修复图像。这使得图像修复算法仅能在单个特征空间中修复图像,忽略了更高分辨率下图像的纹理细节特征和修复区域周围的纹理一致性。本文通过引入纹理修复分支,弥补了结构分支在细节层面的缺失。经过纹理—结构分支修复的图像质量得到了改善。（3）迭代式语义一致注意力模块设计。为了进一步增强修复能力,本文图像修复模型采用了注意力模块以显式学习特征匹配与迁移。传统的注意力模块计算消耗大,且无法在迭代间传递信息。本文设计采用的迭代式语义一致注意力模块在现有注意力模块的基础上改进,使其既具有迭代间信息传递能力,又在保留特征匹配信息的同时减少了计算量。本文将该注意力模块嵌入到纹理—结构分支修复模块中,增强了模型生成结果的质量。本文基于迭代式图像修复思想构建的纹理—结构分支迭代式图像修复模型,在Places2数据集上取得了平均0.83的SSIM值和平均23.65的PSNR值,在Paris Street View数据集上取得了平均0.86的SSIM值和平均27.14的PSNR值,在Celeb A数据集上取得了平均0.912的SSIM值和平均27.68的PSNR值。相较于当前图像修复领域主流方法,性能均有一定的提升。