图像修复即根据图像已有信息按照一定规则对破损区域做出合理猜测并进行填充,使得复原后的图像最大程度地接近原始图像或达到合理自然的视觉效果。在丰富的应用场景下,图像的缺失区域形状各异,对应地不同种类的修复算法被相继提出,本文对这些种类中的经典算法进行了研究和探索,分析其优点与不足,并针对结构组稀疏表示模型提出相应改进,具体内容如下:结构组稀疏表示(Structural Group Sparse Representation,SGSR)图像修复算法提出结构组的概念,对结构组的估计值进行奇异值分解得到自适应字典,然后用SBI(Split Bregman Iteration)算法求解优化模型得到稀疏解,最后借助字典和稀疏解得到修复图像。该算法在一定程度上解决了传统稀疏表示算法忽略图像块之间相似性导致重构图像的结构和纹理不够自然的问题。但是该算法采用双线性插值算法估计结构组,估计量不够准确导致其修复效果一般,本文提出一种优化算法计算每个结构组的估计量,我们采用曲率驱动扩散(Curvature Driven Diffusions,CDD)模型和Criminisi算法分别对小面积区域和较大面积区域缺失图像进行估计,从而得到更加准确的估计量。实验结果和数据表明,所提算法与含SGSR在内的多个文献算法相比,在主观视觉和客观指标上都有更好的表现。传统图像修复算法由于单幅图像上的源区域包含信息有限,很难修复结构纹理较为复杂且缺失区域面积较大的图像。为了解决这一问题,本文提出一种基于多视图的结构组稀疏表示图像修复算法,首先将多幅参考视图图像初始化并配准到与目标图像同一视角,然后用马尔可夫随机场(Markov Random Field,MRF)组合所有配准后的参考视图图像上的已知信息,对目标图像的缺失区域进行填充,用泊松融合技术消除修复边缘光度不一致现象,最后针对剩余孔洞,提出一种策略选择适应性最高的参考视图图像,辅助目标图像使用基于多视图的结构组稀疏表示模型完成修复。实验结果表明,所提算法对大面积缺失区域相较于其它文献算法有更好的修复效果。