近年来,随着计算机硬件设备更新换代以及软件技术的快速发展,基于计算机视觉的图像补全技术得到了学术界的广泛关注,成为计算机图像处理方向的一个热门研究方向,在文物艺术品修复、生物医学影像、辅助人脸识别、遥感图像处理等众多领域得到逐步应用。图像补全的主要思想是根据图像完好部分的信息对缺失区域进行合理地推断补全,并且确保补全结果满足结构连续合理,色彩均匀一致等条件,满足人们视觉上真实的要求。目前基于深度学习的方法对图像进行补全已经取得了不错的效果,但是依然存在很多问题,如:对缺失区域过大的图像进行补全时,出现不连贯、语义不合理问题和色彩不均匀、过渡边界明显的问题;对缺失区域为不规则形状的情况下进行补全时,补全结果出现伪色彩、细节模糊等问题。为解决这些问题,本文以深度补全模型为基础,分别从网络结构、后处理操作以及卷积方式等方面进行了改进和设计。主要解决措施和研究成果如下:（1）针对大面积缺失情况下,深度补全模型的补全结果出现不连贯、语义不合理的问题,提出一种基于自注意力机制的图像补全改进算法（SA WGAN）。通过在粗网络中加入跳跃连接,增强特征传递,解决梯度消失的问题;在细网络阶段,引入自注意力机制进行全局特征的提取,并优化细网络的空洞卷积层,使生成图像更加清晰连贯,细节更加真实立体。通过和GLCIC算法、深度补全算法、PLC算法对比,证明所提SA WGAN算法的优越性。（2）为解决SA WGAN生成图像出现色彩不均匀、过渡边界明显的情况,引入泊松融合对生成图像进行后处理操作,使最终的补全图像色彩均匀,达到无缝融合的效果。经实验对比表明,加入后处理操作可以改善这种补全失败的情况。（3）针对破损区域为不规则形状的情况下,补全结果出现伪色彩以及细节模糊的问题,在SA WGAN的基础上引入门控卷积和SN-PatchGAN,提出一种GATED-SA WGAN算法,并加入不规则掩膜进行训练。经实验对比表明,该算法大幅提升了不规则缺失图像的补全效果。