数字图像修复是计算机视觉领域中的经典课题,具有十分广泛的应用范围。近年来,深度学习技术被逐渐应用于图像修复任务中,取得了许多具有突破性的成果。但是目前基于学习的图像修复模型在对大尺度破损的图像修复时,其结果仍存在着结构连续性、纹理一致性以及语义合理性上的不足。针对上述问题,本文展开了相应的研究,主要研究内容如下:提出了基于通道注意力与分层残差网络的图像修复模型,该模型在其生成网络的编码器与解码器中分别构造了相应的分层残差结构来增强模型提取和表达多尺度特征的能力。然后,通过在跳跃连接中嵌入扩张的多尺度通道注意力模块来提高修复模型对编码器中低级特征的利用效率。实验结果表明,相对于其他采用普通U-Net网络的图像修复模型,基于通道注意力与分层残差网络的图像修复模型对修复图像的整体语义有着更好的把握,其纹理细节也令人满意。提出了基于门控卷积变体与小波变换的图像修复模型,该模型在其生成网络中采用了自校准机制的门控卷积和具有分层残差结构的门控卷积,以缓解来自掩码区域的无效信息对结果造成的干扰。此外,该模型还利用受损图像的小波高频分量来辅助编码网络,并用原图与修复结果的小波分量定义了特殊的重构损失以改进模型的训练过程。实验结果表明,对于不同破损程度的图像,该模型都能修复出令人视觉感受满意的内容,且各项定量评价指标均优于其他经典的图像修复方法。对于中国传统山水花鸟画,该模型也能生成出具有高质量的修复结果。