随着计算机视觉技术的不断发展,图像已经成为传递信息的重要媒介,如何从海量的图像数据中获取人们需求的高质量的图像显得尤为重要,图像修复作为图像处理中的关键技术,已经成为计算机视觉领域重要研究课题之一。近几十年年来,国内外学者基于数学建模等理论对图像修复做了深入研究,并尝试将其从实验推广到实际应用。然而,实际应用中图像受损区域复杂多变,传统图像修复算法难以完成高质量的修复过程。近年来,深度学习凭借其对图像数据的强大表征能力,在计算机视觉任务中被广泛应用,一些研究人员已经尝试将深度学习应用到图像任务中,提高了图像修复算法的生成高质量内容结构和纹理的能力。本文基于深度学习相关理论,提出了两种能有效处理规则和不规则图像修复的模型:提出了一种基于注意力机制的多尺度编码器的生成模型。该模型由两个基于编码器和解码器的网络构成,分别为粗糙修复网络和精细修复网络。传统基于深度学习的图像修复算法均采用的是单一感受野类型,这些算法通常会造成图像的伪影和生成不正确的内容结构。因此,在粗糙修复阶段,我们采用了三个平行的不同感受野类型的编码器对图像特征进行编码,从而提高模型对多尺度的处理能力。针对粗糙修复的结果,精细修复通过加入了内容感知层的机制进一步优化修复区域的质量。原始的内容感知层利用余弦距离衡量不同特征块之间的相似度,此方法会造成特征块误匹配的问题。针对这个问题,提出了利用绝对值衡量不同特征块之间的相似度,使模型能够正确进行特征匹配。我们在CelebA和Places2数据集上进行了测试实验,证明了模型的有效性。还提出了一种用于图像修复算法的多特征解码器网络。受益于如今庞大的数据集,我们将单阶段的生成对抗模型用于修复任务,其中生成网络是基于U-Net网络结构。在训练阶段,我们将受损图像和对应的原始图像共同作为网络的输入,并提取解码器阶段的多个不同的特征层,对每一个特征层对应的受损图像和原始图像的特征图执行L1损失并加入到整个模型的损失函数中共同训练生成网络,使得受损图像在解码器阶段修复特征更趋近于原始图像在解码器阶段的特征,从而提高最终的修复结果。另外,我们还改进了原始的U-Net的网络结构,在解码器阶段每一跳过连接层中结合了SE模块,增强了编码特征和解码特征通道之间的相关性,提高模型的表达能力。我们在CelebA-HQ和Places2数据集上进行了测试实验,证明了模型能够生成高质量的图片并优于如今大部分的修复算法。