图像修复技术来源于对艺术品复原,随着数字化图像获取越来越便利,人们对数字图像的修复质量提出更高要求。如今,数字修复技术在目标物移除、旧照片修复、信息隐藏、视频修复等方面有着广泛应用。因此,图像修复技术受到众多学者的关注,并成为图像处理领域中一个重要分支。本课题以Patch Match算法和基于HDC（hybrid dilated convolution）的卷积神经网络为主要的研究目标。首先对图像修复技术国内外研究现状进行对比分析。其次针对Patch Match算法采用固定样本块的修复方式,无法适应复杂的纹理图像修复,提出了基于改进Patch Match的图像修复算法。最后由于传统的图像修复方法无法修复样本资源不存在的填补情况,因此本文提出基于HDC的卷积神经网络图像修复方法,通过网络学习大量先验知识填补缺失内容。本文主要研究内容有:（1）针对Patch Match算法采用固定样本块可能导致修复结果产生错误填充的情况。为解决这一问题,首先在上采样图像融合时,使用Sobel算子检测填充区域边缘,其次使用膨胀和腐蚀等操作,统计边缘梯度幅值信息,最后依据该信息自适应调整当前层样本块大小实现图像修复。（2）针对双阶段网络结构,使用连续膨胀卷积时出现网格效应（gridding effect）,导致修复效果不理想。本文首先使用HDC方法设计网络结构,避免网格效应;其次使用CA算法从已知区域提取与填充区域近似的特征,实现精细化修复,嵌入CBAM算法提高修复内容的清晰度,使用Gelu激活函数拟合填充区域边缘部分,提升修复的平滑效果。最后将感知分支与卷积分支输出的特征图进行融合后传入到一个解码器中,生成高质量的修复图像。实验结果表明,所提出的算法在修复效果上,体现了更加合理的视觉连通性,与其它方法在客观评价指标上对比,表明本文算法的优势。