数字图像修复是近几年数字图像处理领域中比较热门的研究方向,图像修复的目的是让计算机按照设计好的规则对图像中的缺失信息进行估计,尽最大可能还原图像,其本质是通过已知的不完整信息重构出完整信息。虽然目前图像修复技术还停留在半自动技术阶段,但是这项技术已经成功的应用到一些多媒体应用领域和信号处理领域,因此图像修复技术具有广阔的应用前景。考虑学术方面的影响,数字图像修复研究本质上是一个先验决定后验的问题,在先验知识有限的情况下有效的估计出后验信号,这一类问题在人工智能领域具有重要的理论研究意义。本文围绕基于样本匹配的图像修复技术和基于稀疏表示的图像修复技术展开研究,首先文章对基于纹理合成图像修复技术和的基本理论和基于稀疏表示的图像修复技术的基本方法进行了概述。然后,在基本修复方法的基础上,针对现有算法存在的不足,考虑了样本匹配策略的优化和全局建模的优化这两中思路,给出了一些新的解决方案,最后通过实验的分析验证了新算法的性能。本文主要工作体现在以下几点:1)首先探讨了基于样本匹配纹理合成的图像修复理论和基于稀疏表示的图像修复理论,包括基于纹理合成的图像修复算法和基于稀疏表示的图像修复算法,并分析了国内外对这两种修复技术的研究进展。2)针对现有算法修复效率低的缺点,从样本搜索策略的角度出发,设计了一种基于图像局部熵的快速图像修复算法。算法首先使用图像的局部熵特征划分图像,修复时自动根据待修复块所处局部区域的熵特征值,确定此次迭代的样本搜索空间,同时采用加权合成匹配块的方法获得最终填充信息。实验结果表明该算法能有效提高修复效率。3)在第三章算法的基础上,针对欧氏距离在度量复杂纹理图像块的相似性上存在的不足,设计了基于多匹配准则的自适应图像修复算法,首先增加了使用巴氏系数辅助衡量的匹配准则,并根据待修复块所处的区域的边缘复杂度,使用不同的相似性衡量准则进行样本匹配。同时算法在样本匹配时采用动态对比搜索算法对算法执行时间进行优化,减少每次迭代中相似性准则的计算次数。4)在全局的字典学习修复算法的基础上,参考分类样本字典学习的观点,设计了一种新的分类样本学习字典的修复算法。算法使用基于巴氏系数的距离度量作为聚类特征对样本进行聚类,之后针对每一类样本单独学习字典,完成修复,设计实验验证了算法的有效性。