图像修复是计算机视觉中一个重要研究分支,其目的是预测合理的像素信息来填补图像中的缺失部分,主要应用于对象去除、图像恢复和图像去噪等领域。现有的深度图像修复算法有两种:非盲修复算法和盲修复算法。非盲修复算法以缺损图像和其相对应的掩膜作为输入,该算法根据掩膜来确定缺失区域的位置。但由于图像缺损的多样性,在实际的修复操作中,难以获得精确的掩膜,因此难以满足实际需要。而盲修复算法解决了这个问题,只以缺损图像作为输入,可以在没有掩膜的基础上自动定位到图像的缺失区域,并根据图像的语义信息生成合理的像素填充到缺失部分中。盲修复算法的出现拓宽了图像修复的应用场景,因此,本文对现有的盲修复算法进行了研究,具体内容如下:（1）针对现有盲修复算法在修复缺失程度大,缺失模式复杂的图像中表现不足等问题,提出基于上下文语义递推的两阶段盲图像修复算法（Contextual Semantic Recursive Reasoning,CSR）。首先将缺损图像输入局部填补网络（Local Padding Network,LPN）对缺损图像进行粗修复,之后将得到的粗修复图像输入细节优化网络（Detail Refining Network,DRN）来输出最终的精修复图像。其中,LPN使用自动编码器结构提取图像特征信息,并完成初步像素填充;DRN利用生成对抗网络的思想,结合多分辨率特征和注意力机制,细化粗修复图像的纹理结构。此外,还提出了一种新的构造缺损数据的方法,使模型更具鲁棒性。并在Places2和FFHQ数据集上进行验证,实验结果表明,CSR算法在多个评价指标上优于同类算法,并且能生成清晰自然的图像。（2）针对修复图像边缘不平滑、修复精度较差等问题,提出基于并联注意力的两阶段盲图像修复算法（Parallel Attention,PA）,该算法由粗修复网络（Coarse Inpainting Network,CIN）和精优化网络（Refine Optimization Network,RON）构成。在CIN中设计了堆叠的并联注意残差块结构,该残差块引入门控卷积代替普通卷积,同时加入新提出的并联注意力模块,来获取图像中的丰富特征,从而提高网络的特征提取效率。RON利用门控卷积和并联注意残差块对CIN输出的图像进行编解码,学习图像丰富的语义和纹理特征,得到最终的修复图像。此外,在RON中引入了跳跃连接,减少编码层特征信息的丢失。实验结果表明,PA算法在图像评价指标上优于同类算法。