图像修复是数字图像处理领域里的一个重要分支，也是当前计算机图形学和计算机视觉领域的一个研究热点。数字图像修复就是按照一定的原则，根据原有数字图像中的有效信息，对其中的信息缺损区域进行信息填充的过程，其目的是恢复原图像连续、完整、自然的视觉效果。
　　 根据图像修复理论和方法的不同特点，图像修复技术大致可以分为两大类：一类是基于偏微分方程(PDE)的图像修复技术，另一类是基于纹理合成的图像修复技术。研究表明，基于偏微分方程的图像修复技术适用于对划痕、污渍和文字等小目标区域的修复，而基于纹理合成的修复算法则在对大面积的破损区域的修复过程中，取得了良好的效果。
　　 本文首先介绍了数字图像修复技术的背景，并对数字图像修复的数学理论基础进行了简要的介绍和描述，如最佳猜测原理和贝叶斯框架理论、图像修复的视觉心理学，以及纹理合成技术等。
　　 本文详细讨论了几种典型的基于PDE的修复模型(如BSCB模型、TV模型、CDD模型、Elastic模型和Mumford-Shah等)及其算法原理，并通过实验仿真，对上述算法的优缺点进行了分析和对比。
　　 本文重点研究了基于纹理合成的图像修复算法。其中基于样本块的修复算法同时考虑了图像中的纹理和结构特征，对比较复杂的待修复区域取得了比较理想的修复效果。针对这种方法固有的缺点，如搜索匹配块的过程比较费时，并且容易产生误匹配等，本文提出了一种基于边缘的图像修复算法。
　　 首先根据待修复区域周围边缘的特征获得这些边缘的最佳自动匹配，并连接待修复区域内丢失的边缘，然后沿着这些被连接的曲线，在有效信息区域内的曲线周围寻找最优匹配块来合成包含边缘的纹理块，以恢复图像中丢失的结构信息，最后再填充其中丢失的纹理信息。仿真实验表明，对同时存在结构信息和纹理信息的复杂自然图像，利用本文算法能够取得满意的修复效果。