图像修复技术旨在补全破损图像中的缺失像素,修复后的图像在语义结构和纹理细节上与背景区域保持一致。近年来,深度学习技术因其强大的特征学习能力而被广泛应用于图像修复任务中,并在一定程度上提升了修复质量。其中两阶段编码解码修复模型常采用两阶段串联结构,其最终修复效果容易受到第一阶段产生的不合理内容的影响,从而在修复尺寸较大的缺失区域时易出现结构扭曲、纹理伪影、不真实等问题。为了解决上述问题,本文对当前流行的“先结构-后纹理”和“粗糙-细化”这两类两阶段修复模型进行改进,提出了两种新的可端到端训练的修复模型。主要研究内容如下:（1）对“先结构-后纹理”两阶段修复模型进行改进。本文设计了基于结构引导的平行自适应引导网络,可端到端实现结构和纹理的分开修复。平行自适应引导网络由并行的结构重建分支和纹理丰富分支组成,分别修复缺失区域的结构图和完整图。同时,上下分支的结构特征和包含纹理的完整特征在多个卷积层中通过跳跃连接和引导滤波器相互指导,为图像修复提供了正确的结构先验的同时避免了非端到端训练。此外,在编码器中加入基于注意力的多尺度感知残差模块,用于提取不同尺度的特征并使特征点定位更加精确。在纹理丰富分支的解码器中加入联合上下文注意机制,加强了修复图像的纹理真实性和结构连续性。通过实验,该模型在修复尺寸较大的缺失区域时缓解了结构扭曲、纹理模糊的问题,并通过PSNR,SSIM和LPIPS客观评价指标和主观评价进行了验证。（2）对“粗糙-细化”两阶段修复模型进行改进。本文设计了渐进式引导解码网络,可渐进式实现缺失区域由粗到精的修复。首先,多条平行解码分支通过在多个中间卷积层中自上而下地传递重建特征图和梯度图来渐进式地填充和细化缺失区域,特征和梯度先验的共同引导有助于模型修复出正确的结构和丰富的细节。其次,在渐进式引导过程中,本文联合鬼魂卷积和设计的级联高效通道注意力对不同分支的特征进行融合并重新加权,以提高融合特征的判别性。最后,本文通过合并最后一条解码分支中的不同尺度的重建特征图并将其映射到图像空间,进一步提高了修复结果的语义合理性。通过实验,该模型在修复尺寸较大的缺失区域时减少了修复结果的错误结构和伪影并提高了边缘的连续性,并通过PSNR,SSIM和LPIPS客观评价指标和主观评价进行了验证。