由于数字图像获取过程的损坏、遮挡等问题,人们获得的图像存在不定损失,需要修复才能获得完整图像信息,图像修复技术成为了研究热点。生成对抗网络的应用,使得图像修复技术有了长足进步。但现有图像修复技术仍存在修复区域结构模糊、交界处融合效果不佳、特征信息还原不准确等问题。为此,本文对图像修复问题开展研究,主要研究工作如下:（1）针对双判别器图像修复算法（Dual Discriminator,DD）中存在的修复边缘模糊,特征还原性较差,纹理细节属性未有效还原的问题,设计一种融合通道、像素注意力机制和多损失约束的改进双判别器图像修复算法（Multi-Loss and Attention GAN,MLAGAN）。首先,加入跳跃连接、空洞卷积重新设计生成器模型结构,保证多尺度信息融合;其次,利用通道注意力块获取高关联通道特征图,通过像素注意力块对高关联通道特征图上所有像素进行打分,从而获取与缺损区域关联性更高的图像未缺损区域信息;最后,通过添加VGG16特征提取模型向生成器的优化函数中引入内容、风格损失项,以多损失融合的方式提高图像的修复效果。通过两组在CelebA人脸数据集和SVNH街景门牌号码数据集上设计的对比实验验证,表明与基于深度卷积生成式对抗网络的语义图像修复算法DCGAN、上下文编码器图像修复算法CE和DD三种主流算法相比,MLAGAN的修复结果中图像边缘融合性更佳、精细特征内容还原性较好、图像纹理清晰,且PSNR、SSIM指标均高于DCGAN、CE、DD算法。（2）针对上下文编码器图像修复算法（Context Encoders,CE）存在修复区域中整体内容模糊、修复痕迹明显、模型训练不稳定的问题,设计一种结合密集注意力连接块DCAB、粗略修复网络、精细修复网络和风格损失、内容损失的双生成器图像修复算法（Densely Connected Attention GAN,DCAGAN）。首先,DCAGAN引入二阶段修复网络,由粗略修复网络和精细修复网络提升整体修复效果;其次,使用四个通道注意力块设计密集注意力连接块可防止前后层特征丢失且确保重要特征信息未被忽略,避免注意力机制的无效性;另外,增设VGG16特征提取模型作为辅助,提供风格损失提高修复结果清晰度,提供内容损失增加修复图像相似程度;最后,引入WGAN-GP作为判别器损失函数使模型可学到更复杂的分布,避免生成样本单一,提高模型收敛速度。通过两组在CelebA、SVNH数据集上设计的对比实验验证,DCAGAN在主客观指标上均优于DCGAN、CE和DD三种主流算法。DCAGAN修复结果清晰度更高、修复痕迹自然、模型运行更加稳定。DCAGAN在PSNR、SSIM指标上,相比DCGAN、CE、DD均有提升。