图像修复是恢复和还原二维图像中破损、缺失或者退化区域的信息,并且恢复的信息需要与图像的上下文语义和全局的结构、纹理保持一致。大部分深度学习的图像修复方法使用卷积神经网络对破损图像进行端到端的修复,最新的图像修复方法尝试在图像修复环节引入结构信息,并将图像修复过程划分为破损区域结构信息预测和基于结构信息的完整图像修复两个阶段,提升了图像修复效果。但是结构信息指导的图像修复仍有两个问题需要解决,其一是在图像修复任务中引入结构信息缺乏理论证明和详细性能的分析,其二是引入连续型的图像梯度还是离散型的图像边缘能够更好的辅助图像修复的问题缺乏深入研究。对于第一个问题,本研究结合修复模型的泛化误差上界和互信息理论,对图像修复任务中引入以结构信息等额外辅助信息的合理性给出证明,证明引入预测的结构信息能够降低模型泛化误差上界,从而提升模型性能。对于第二个问题,本研究从深度学习的函数逼近角度证明模型逼近连续值函数的能力优于逼近阶跃函数,因此图像修复任务中应该引入连续型的图像梯度而非离散型的边缘信息。此外,在理论分析的最后部分,本研究从信息熵和矩阵条件数两个角度,进一步揭示了图像的连续型梯度相较于离散型边缘具有两个优势:不需要预设超参数、图像结构修复模型的学习目标具有唯一性。本研究在上述理论证明的基础上,首次提出基于视觉Transformer架构的三阶段图像修复模型,在使用图像梯度信息的基础上,引入图像灰度图信息作为修复辅助信息,利用三个图像修复公开数据集验证了所提模型的有效性,证明本文所提三阶段图像修复方法在多个数据集上的指标均优于6个基线模型。为了优化本文提出的三阶段图像模型,本文借鉴多任务学习策略,以视觉Transformer架构为基础架构,构建了一个多输入输出的端到端图像修复模型。在三个图像修复数据集上的实验结果表明该端到端模型性能接近三阶段模型。在工程和学术研究贡献上,本研究工作设计了针对图像修复、图像增强等,图像像素级别密集预测任务的通用像素级别预测框架,该框架整合了图像修复常用的公开数据集和图像修复的一些重要模型。本文提出的框架充分考虑了可拓展性,保留了大量自定义接口,可以快速添加新的图像修复基线模型和数据集。框架集成了模型训练、日志记录、训练权重断点保存、多计算设备训练等功能。使用该框架,可以使研究者聚焦于模型创新和训练策略上,从而减少重复的模型训练等相关基础性工作,为基于深度学习的图像修复相关的研究提供了极大便利。综上,本研究首先从理论角度证明了在图像修复任务中引入额外信息的合理性,并根据理论的分析与证明结果提出了一个基于视觉Transformer架构的三阶段图像修复模型,该模型在三个公开数据集的性能均优于基准模型。为了进一步优化三阶段模型,本研究提出了一个基于视觉Transformer架构,并且使用了多任务学习策略的端到端图像修复模型,该模型在三个数据集上的结果优于三阶段模型。最后提出了一个图像修复任务专用的深度学习框架,该框架可以减少研究人员的冗余性工作,促进深度学习下的图像修复技术的发展。