随着视觉信息获取设备成本的不断降低,图像作为视觉信息的重要载体,这导致全球互联网日均图片处理规模不断扩大。在图像生成、传输、下载过程中,易出现图像受损污染等情况,需要对缺失区域进行修复工作。在待修复图像中,建筑物图像占比较高。现有图像修复技术广泛应用到建筑设计、工业制造、影视制作等行业。图像修复的基本原理是利用已知区域的图像语义信息,经过筛选、复制、扩充等操作对缺失区域进行符合逻辑的补充,最终与原图效果一致。传统的图像修复算法适用于修复纹理简单、少量缺失、背景单调的图像,基于深度学习的图像修复算法适用于修复细节众多、大量缺失、整体复杂的图像,但目前的基于深度学习的图像修复算法表现出修复效果差、模型训练不稳定、算法适用度低的问题。在此类算法中,生成对抗网络模型较为理想,模型的生成器修复后图像较为逼真,推动图像修复领域的发展。本文使用DCGAN模型作为基础算法,主要在生成器和判别器上进行改进,主要修复对象是建筑物图像。生成器模型中加入自注意力机制,判别器模型中设置全局判别器和局部判别器,图像输入部分设置基于Edge-GAN的图像完整纹理补全。全文介绍整体模型的实现过程,首先对各模型部分做验证实验,证明对建筑物缺损图像修复的可行性。然后对各模型做消融实验,比较各部分对整体模型的影响。最后对整体模型做不同数据集实验,证明对建筑物缺损图像的修复提升。实验设置不同大小的缺损遮罩区域,修复后评价标准采用主观图像对比和客观参数评价相结合的方式,主观评价为不同算法修复后效果图,体现受访者对图像修复后视觉观感的评价,客观参数采用PSNR和SSIM,横向对比不同算法在相同硬件环境下的修复结果。通过修复后效果图和客观参数的数据表明,本文完整算法在建筑物缺损区域的修复效果对比其他算法有改善提升。在建筑物图像中等面积缺失的情况下,模型的修复效果对比其他算法最好。在结构相似性指数（SSIM）指标提升,在峰值信噪比（PSNR）指标上提升20%。在物体遮挡建筑物的场景,对于建筑物纹理、边缘等细节处的修复对比其它修复算法表现更好,并且实验也证明算法可应用到自建建筑物数据集的图像修复中,具有实践转化价值。