图像修复是一种根据图像已知内容来合成待修复区域的技术手段,在较多领域都具有广泛的应用价值。近年来,随着深度学习快速发展,图像修复算法渐渐的从传统的基于填充和扩散的模型逐步转换为基于深度学习的模型。基于深度学习的模型通过优化卷积结构和优化注意力机制这两个方向使得修复效果越来越逼真。优化卷积结构的方式主要通过优化掩码更新机制以摒弃待修复区域信息。优化注意力机制的方式通常通过优化待修复区域与完好区域的匹配方式以获取更精确的填充信息。本文通过对深度学习理论和已有的图像修复模型的学习和探索,针对上述两个方向研究了以下三部分内容:首先,针对现有卷积结构仅能利用固定形状感受野内信息和注意力机制匹配前特征图存在偏移的问题,本文提出了一种基于门控可形变卷积和注意力补偿的图像修复模型。该模型在特征提取阶段采用门控可形变卷积进行特征提取,该卷积能够通过形变感受野提取采样点周围的相似语义信息,还通过门控的方式以不同程度地利用所有的采样点信息,提高特征提取能力。最后还采用多尺度结构,通过利用不同大小的形变感受野提取特征,增强了模型的语义理解能力。该模型的注意力补偿模块通过对待修复区域和填充区域特征学习以获取一组仿射变换参数,然后通过对填充特征进行仿射变换以补偿模型存在的偏移问题,考虑到注意力模块在相似匹配时采用分块的方式会导致填充块存在不同程度的偏移趋势,于是本文通过分块仿射的方式以进行更加细粒度的补偿。通过实验验证,本文提出的模型在通用数据集上取得了较好的修复结果。其次,针对修复模型常用的注意力机制本身存在的特征表示失真和语义歧义的问题,本文提出了一种基于分层transformer的图像修复模型。该模型的分层transformer主要分为两部分:1)掩码注意力机制,该机制将输入特征投影到高维空间表示,并将掩码区域与非掩码区域通过自注意力进行度量以获取相似性信息。通过高维度量的方式能够有效的解决由于常规注意力机制在度量时由于标准化而表示失真的现象。2)分层结构,该结构将特征图分为两种尺度,一种是大尺寸的区域块,一种是小尺寸的局部块。其中区域块学习粗略的全局相似度信息并传递给区域内的局部块,局部块通过学习精细的局部相似信息和粗略的全局相似信息以获取全局的弱特征表示和局部的强特征表示,从而缓解远距离区域带来的语义差异性。最后通过在常用的评价指标上进行验证以证明本模型的有效性。最后,本文对上述两项研究内容进行组合优化,提出一种基于门控可形变卷积和分层transformer的图像修复模型。本文在公共数据集上验证了该模型的有效性并且最后应用到丝绸文物图像数据集中以证明本文模型具有较强的泛化性。