随着计算机视觉的不断发展,图像修复技术成为了一个具有重大实际应用价值的研究课题之一。图像修复技术旨在有效地将破损图像的缺失部分进行填充。现有的图像修复方法主要存在以下两个问题。问题一,对于有大面积破损的图像,许多方法都无法重建出合理的结构,使修复后的图像产生模糊或结构混乱等问题。此外,对破损图像进行连续卷积提取高层语义信息时,由于丢失了底层特征导致被修复区域与未损坏区域具有明显颜色和纹理上的差异。问题二,在修复图像破损区域时往往会产生无效卷积问题,该问题的产生是由于对破损图像进行特征抽取时会从破损区域获取到无效特征,使被修复的图像产生模糊或重影等现象。此外,在很多现有方法的注意力机制模块中都使用的是图像单一尺度的特征,导致生成的结果细节精细程度不佳并且无法满足结构的一致性等问题。针对问题一中修复大面积破损图像产生的图像模糊或结构混乱,以及连续卷积使图像特征丢失导致修复效果不佳等问题,本文提出了一种基于边缘约束与特征金字塔的图像修复方法,该方法的核心是设计了一个由两个子网络所构成的边缘约束的特征金字塔修复网络（Edge Constrained Feature Pyramid Repair Network,ECFPR-Net）。首先在第一个子网络中获得粗略的修复结果,同时提取相对应的边缘信息来限制修复图像的结构信息,使图像结构保持完整。然后在第二个子网络中,引入特征金字塔模块去融合多尺度特征信息,使被修复区域具有更好的颜色和纹理视觉效果。对于问题二中产生的无效卷积问题,以及单一尺度的注意力机制使生成的结果精细程度不佳且无法满足结构的一致性等问题,本文提出了一种基于门控卷积与多层级注意力的图像修复方法,该方法的核心是设计了一个门控卷积下的多层级注意力机制网络（Multi-level Attention Mechanism Network under Gated Convolution,MAM-GC）。在网络中使用门控卷积对当前卷积层的输出进行加权使未破损区域被更加关注,合理的避免了无效卷积导致的生成结果模糊或重影的现象。此外,网络的生成器中嵌入多层级注意力机制模块,其可以准确的使网络将更多的权重分配到未破损区域。并且该模块结合了多尺度的特征映射去获取图像不同尺度的信息,进而保持修复结果在全局结构上的一致性和细节上的精细粒度。本文在公开数据集上做了充足的实验,将这些方法与现有主流方法进行了对比。结果表明,使用本文提出的方法生成的结果在一些常用的评价指标上、以及修复后图像的视觉效果上,都比使用现有主流方法生成的结果表现更佳。