近年来,深度学习在计算机视觉领域的研究与应用越来越广泛。作为计算机视觉的研究课题之一,图像修复技术已应用到卫星图像处理、军事公安、视频和多媒体系统图像处理等多个领域。其目的是按照一定的规则修复已经受损的图像,从而得到和原图像相似的图像。目前研究者提出了许多图像修复方法,在一定程度上修复了受损图像,但是也存在修复后图像边界模糊、图像纹理不清晰、视觉效果差等问题,无法获得满意的修复效果。因此,本文针对以上问题做了以下研究。（1）本文提出了一种融合边缘检测和自注意力机制的生成式对抗图像修复模型,该模型由边缘补全网络和纹理修复网络两部分构成。在进行图像边缘补全和纹理修复之前,要先生成真实图像和受损图像的边缘图像。目前边缘检测技术还存在提取到细节边缘信息不够的问题,基于此,本文提出了一种基于HED（Holistically-Nested Edge Detection）边缘检测模型的改进方法。改进的边缘检测方法包含三个部分:卷积网络、侧边输出网络和融合层。首先通过卷积网络提取图像的边缘特征。其次将卷积网络中不同卷积层的特征输出进行跨层融合,从而最大化地保留图像的边缘细节信息,然后通过侧边输出网络输出每个阶段的边缘特征。最后,通过融合侧边边缘特征来得到图像的边缘图。通过在BSDS数据集上对本文所建方法进行实验对比,结果表明,本文构建的改进HED边缘检测模型检测成功的精准率有所提升,并且从最终结果图像来看本文提出的图像边缘检测方法能够提取出包含更多细节的边缘图像。实验结果证明本文改进的边缘检测方法与现有的边缘检测方法比表现优异。（2）在完成图像的边缘检测之后,进行图像的边缘补全和纹理修复。首先训练一个边缘补全网络学习图像的边缘信息,对缺失的边缘进行预测补全,得到边缘补全图像。其次,将边缘补全图像和受损图像输入到纹理修复网络。在修复缺失的纹理时,通过在网络中加入自注意力机制捕获图像的全局信息,从而修复缺失的信息并生成图像的细节纹理。通过在Celeb A和Places2数据集上对本文提出的模型进行对比实验,实验数据表明:本文提出的模型比上下文注意力模型（context attention model）和边缘连接模型的相似度指数SSIM值均有显著提高。结果表明本文所建模型与现有图像修复模型相比,其性能有了明显的提高,得到的生成图像和真实图像比较接近。