图像修复是在图像缺损区域内补充像素信息,使修复结果具备视觉真实性的过程,在图像编辑、图像渲染、物体移除等方面有着重要应用。随着生成对抗网络（Generating Adversarial Network,GAN）的提出,基于深度学习的修复方法展现出远优于传统方法的修复效果,但在处理大孔洞时,当前方法仍存在不足。在大面积不规则缺损的图像修复任务中,针对修复结果存在语义缺失和纹理模糊的问题,提出基于边缘指导的修复方法;针对上下文特征在编解码过程中传递受阻,局部信息丢失的问题,提出注意力跨层转移网络以增强上下文连续性,并结合U-Net进行图像修复;为了改善修复结果的结构性错误,增强对缺损图像多层次信息的表征能力,提出基于结构约束与多尺度特征融合的图像修复方法,实现结构和细节上的共同提升。总体而言,本文的主要工作如下:（1）提出基于边缘指导的二阶图像修复模型,通过基于自编码器的边缘生成网络和基于U-Net的内容填充网络完成图像修复。首先,边缘生成网络根据已知像素灰度值和边缘信息推断缺失边缘,得到边缘生成图。然后,内容填充网络以边缘生成图为先验引导条件进行纹理填充。为了减少纹理重建过程中的上下文信息丢失,采用U-Net网络架构作为内容生成器,通过跳跃连接将各级编码特征传递至对应解码层,同时引入移位连接层（Shift Connection Layer,SCL）对指定解码层特征进行重构,并与对应尺度的潜在特征、编码特征融合进行后续的解码工作,约束内容生成器以优化局部细节。（2）提出基于注意力跨层转移网络的生成式图像修复模型,通过在相邻特征空间跨层应用注意力机制以实现细粒度的修复效果。该模型包括生成器和判别器两部分。首先,生成器在U-Net的基础上,结合注意力跨层转移网络（Attention Transfer Network Across Layer,ATNAL）对各层编码特征进行重构,减少上下文信息丢失。然后,利用跳跃连接将多尺度重构特征与对应的潜在特征融合进行解码,缓解编、解码层间信息丢失的同时,激励多尺度解码器生成上下文相似的内容。最后,在解码完成后将多尺度解码特征转为RGB图像,并以L1范数进行约束,进一步提升上下文一致性。（3）提出基于结构约束与多尺度特征融合的二阶生成式图像修复模型,以完成具有挑战性的大面积不规则缺损修复任务。该模型分为边缘修复网络和图像修补网络两部分。首先,边缘修复网络将自编码器与扩张的残差特征金字塔融合块（Dilated Residual Feature Pyramid Fusion Block,DRFPFB）结合,提升对图像多层次语义信息和结构细节的表征能力,在缺失区域实现更高质量的边缘修复。其次,图像修补网络将真实边缘作为先验条件,在自编码器中嵌入扩张的多尺度注意力融合块（Dilated Multi-scale Attention Fusion Block,DMAFB）进行纹理合成,通过聚合不同维度的远距离特征,实现边缘约束下的细粒度修复。最后,以边缘修复结果代替真实边缘,对两个网络进行融合训练,实现从缺损图像到完整图像的端到端修复。