数字图像修复是指利用图像处理算法对图像上的破损信息进行修复和重建，使观察者无法察觉到图像曾经破损或有被修复的痕迹。目前的图像修复技术主要可以分为两大类：一类是针对划痕等小范围区域的图像修复，另一类是针对大范围区域缺失的图像补全。本论文围绕这两类图像修复技术展开研究，探讨一系列图像修复算法和改进措施，主要的工作和成果体现在以下几个方面：第一，针对快速行进图像修复算法（FMM）的线性和局部特征，容易在修复区域边界和等照度线上产生模糊的不足，提出一种带有方向性的改进方法。该算法利用梯度方向直方图，对修复块内的局部象素进行方向特征的筛选，使修补过程严格按照纹理和边缘走向进行。仿真实验表明，改进后的算法既可以很好的保持图像的强边缘，同时对弱边缘和规则纹理的修复能力也得到了提升，使修复效果得到了较大的改善。第二，针对基于样本稀疏表示的图像修复方法在修复大面积的丢失区域时，对曲线结构平滑性的保持不够理想的不足，为此提出了结构约束和样本稀疏表示相结合的图像修复算法。该算法首先利用曲线拟合完成边缘轮廓线的修补，然后利用基于稀疏表示的窄带修复方式完成对结构区域的修复，保证结构严格受到边缘轮廓线的制约。然后，利用平移块的稀疏表示修复图像纹理信息。仿真实验表明，本算法可以较好的修复图像并保持结构的平滑性，能获得更好的视觉效果。第三，针对样本稀疏表示中样本字典自适应性差，有效信息单一，造成图像稀疏表示模糊的不足，本文利用特征分类的学习字典，对不同区域采用不同的有效信息进行稀疏编码，提出了特征分类学习的结构稀疏传播图像修复算法。该算法先通过特征分类学习获得分类的冗余字典，然后对不同特征的待修复块提取不同的有效信息进行稀疏编码，最后修改结构稀疏传播模型来完善修复块的传播机制。仿真实验表明，该方法可以有效修复图像结构边缘、不规则纹理和平滑部分的图像信息，修复的图像质量有较大的提升。