图像修复技术是利用缺损图像中已知区域的信息,按照一定规则来填充缺损区域的像素,使得修复后的图像满足人类的视觉效果。图像修复技术被广泛运用到图像超分辨率、图像压缩、目标物体移除、水印去除等领域。近年来,基于深度学习的图像修复技术取得了较好的效果。然而,当待填充区域较大且含有明显的结构信息时,现有方法填充的内容往往存在或内部结构不合理,或与周围的结构保持不一致等问题。受传统手工绘画启发,本文提出了一种以梯度引导的图像修复算法。该算法将图像修复问题简化为两个子过程:基于梯度的边缘修复网络和以边缘作为约束条件的图像纹理修复网络。边缘是图像的重要结构信息,而图像梯度值的大小体现了边缘的强弱。边缘修复网络以梯度图为处理对象,专注于预测待修复区域的边缘,以获取修复区域内部结构合理且与区域周围一致的边缘结构;而纹理修复网络以修复的边缘梯度图作为先验与待修复图像一起作为输入对待修复区域的纹理进行填充。两个网络都是采用生成式对抗模型来实现,以确保修复的图像边缘和纹理具有视觉上一致的效果。为取得更为合理的修复效果,采用局部和全局相结合的方式计算待填充区域的内容。卷积运算是局部区域的运算,当缺损区域较大时,对于区域中心附近的像素来说,其感受野区域像素为合成像素（已填充区域）或无效像素（待填充区域）,通过局部卷积运算得到待填充像素的估计值往往是不准确的。引入自注意力机制,利用局部方法得到的估计值指导网络从全局（具体来说为已知区域）寻找合适的准确信息作为局部值的补充和完善。同时考虑待填充区域内,感受野区域的特征值准确程度不一,采用门卷积替代普通卷积,对特征进行动态选择,通过让模型自动学习的方式为每个特征分配不同权重进行卷积运算。为证明方法的有效性,对梯度先验、自注意力机制和门卷积等组件进行了消融研究,结果表明这些组件从不同方面不同程度地提升了图像的修复效果。而且,通过与相关方法进行定性和定量比较,验证了该算法在修复图像的结构和纹理等方面的优越性。最后,将本文提出的图像修复技术应用在不同的场景下进一步表明了该方法的可行性及泛化性。