图像修复指在计算机上通过一定的算法填补图像上缺损信息的过程，并要求填补结果达到人眼接受的程度。目前图像修复技术主要分为基于偏微分方程的结构部分修补和基于纹理合成的纹理部分修补。对于同时含有结构成分和纹理成分的较大破损区域，单独使用结构修补和纹理修补并不能取得较好的效果，目前主要使用基于样本的Criminisi方法和基于图像分解的分层修复的方法来解决此问题。本文分别介绍了这几种方法，并着重研究了基于图像分解的分层修复的方法，针对其修复过程复杂，效率低下的问题，从结构层修复和纹理层修复两个角度出发，以修复效率和质量改进为目标，做出以下几大工作：对于结构层次图像，介绍了传统的基于偏微分方程和基于邻域插值模型的方法，前者虽然效果好但由于需要大量时间迭代求解，修复效率低下，后者虽速度快，但修复质量一般，针对两类方法修复质量和效率难以兼顾的问题，本文提出一种基于灰色系统理论的快速修复方法，该方法以待修复区域的已知邻域信息为基础，采用灰色预测模型来挖掘不同方向灰度序列的变化趋势，对单个未知像素点像素值进行预测。并在修复过程上模仿蚕食桑叶对填充顺序进行控制，在保证边缘结构修复基础上，取代复杂的修复优先级计算。实验结果显示该算法不仅能有效延伸边缘和平滑区域的拓扑结构，而且能满足实时性要求。对于纹理层次图像，介绍了基于样本的纹理合成方法，针对样本匹配部分，在搜索阶段综合局部区域搜索来替代全局搜索，并提出一种基于结构层图像灰度值指导的预匹配方法，先使用模板中心的灰度值筛选掉部分样本块，再计算源样本块和目标块间的欧氏距离，并根据距离进行最优匹配块寻找，在计算距离时综合了残差逐次检验法。这些方法不仅加快了匹配速度，而且减少了误匹配。在寻找具备最大优先权的待修复块阶段，分析了原算法的冗余计算，指出可以只针对边界变化部分重新计算优先权。通过实验与传统的Criminisi方法对比，本文的改进方法不仅增加了匹配的精准度而且加快了修复速度。最后,将待修复图像分解为结构层和纹理层，结构层使用本文的基于灰色理论插值算法修复，纹理层使用本文改进的Criminisi方法修复，然后将两层修复结果叠加，得到最终结果，通过实验与传统的Criminisi方法相比，修复效果和效率都取得了较优的效果。