数字图像修复技术是指利用有限的完好信息将缺损区域的内容进行重建,使得修复后的图片全局语义合理并符合人眼的视觉特征。传统的修复方法由于其修复模型表征能力的限制,在缺损区域较大或者语义信息不足的情况下修复效果往往不尽如人意。基于深度学习的图像修复技术依靠其强大的语义合成能力,使其能够捕捉到高层次的特征信息,重建出合理的上下文语义内容和纹理细节。但现有的大部分修复模型还是存在修复效果不稳定,结果准确率不足等问题。本文基于深度学习方法的图像修复研究,针对现有网络的缺陷和不足,提出了两个改进方案,大致可以概括为以下两点:（1）大部分CNN架构模型是由卷积、BNs、ReLUs和池化层简单地堆砌而成,从而导致模型只在单个领域的单个任务上建模能力是强大的,但是将它们推广到多种图像域中时,修复效果难免会降低。针对此局限性,与现有的CNN体系归一化结构只提高单个图像域修复性能不同,本文提出了一个能够封装到许多高级深层网络中以提高它们在多种数据域下的性能的动态归一化网络。具体地,利用压缩-激励模块强调重要特征信息的能力,为图像输入特征的每个通道自适应分配权重系数,之后根据训练集的特征差异来使用不同比例的归一化方法。此外,我们还引入了残差网络以尽可能地保留初始区分特征,降低了整体网络的学习难度。动态归一化网络将批归一化和实例归一化在单个深层网络结构中进行了统一。我们在Places2、Paris StreetView和CelebA三个基准数据集进行了充分的定性和定量实验,实验结果表明动态归一化网络的引入提高了原有模型在多种数据域中的建模和泛化能力。（2）针对由于大面积图像破损导致修复结果语义歧义的问题,本文提出了一种基于融合的渐进式双支解码网络的图像修复方法。我们提出了一个称为部分卷积-动态区域归一化（PC-RN）的单元作为构建网络的基本组件,它是部分卷积和动态归一化、区域归一化的组合。它可以从完好区域的信息中提取有用的特征,同时抑制不完整引起的干扰。在整体网络上采用包含双支解码网络的浅层结构来实现完整的语义修复。双支融合解码器网络由一个局部接收分支、一个远程注意力分支和一个基于压缩-激励的融合模块构成。多尺度上下文注意模块自适应地从远处的空间位置借用特征。渐进修复策略允许注意力模块使用先前填充的区域,从而降低分配错误注意力的风险,我们对三个基准数据集进行了充分的实验:Places2、Paris StreetView和CelebA,在大多数情况下,我们的网络在定性和定量比较中均优于大多数最新技术。综上所述,本文提出了一个基于双支解码网络的渐进式语义图像修复算法,从全局和局部两个维度来提取高级语义特征,另外还加入了一个新颖的动态归一化方法用来提高整体模型的泛化能力。我们将所提出的模型在丝绸文物中进行了修复,实验结果证明了本文提出的图像修复方法在辅助文物修复、图像编辑等应用中有一定的实用价值。