图像修复是利用合理的像素值填充原本图像中缺失或被遮挡区域的技术。传统的图像修复方法在针对修复区域结构复杂、包含强语义信息的图像时难以修复。而生成对抗网络通过生成器与判别器之间的对抗学习、相互优化,以此可以生成以假乱真的样本,该特性使得生成对抗网络非常契合图像修复,因此基于生成对抗网络的图像修复技术研究具有重要意义。针对编码器采样时信息丢失的问题,本文使用空洞卷积代替普通卷积,以获得更大的感受野,减少信息丢失。为了稳定模型的训练,采用了谱归一化方法,以使得判别器满足Lipschitz连续。为解决目前修复方法中语义信息获取不足而导致修复细节不佳的问题,对现有编码器进行了改进,改进后的编码器从高层语义特征图中学习区域相似度,通过注意力转移网络将学习到的注意力转移到低级特征图中,指导低层修复,实现不同层次的特征修复。为改善现有的图像修复方法一次性修复、修复任务量大导致修复结果不连贯、清晰度低的问题,本文采用分步式修复方式,将整体修复任务看作是多个子任务的和,每一个子任务只负责其中的一部分,且均以上一个子任务为基础,最终通过长短记忆网络连接,完成整体修复任务。基于本文所改进的修复方法,分别在CelabA与ImageNet两个数据集中进行实验验证。实验结果表明,本文所改进的图像修复方法能达到良好的修复效果。且与上下文编码器、具有上下文注意两种方法相比,改进方法在主观视觉评价与三种客观评价指标（峰值信噪比、结构性相似、平均绝对误差）下均取得了最优的修复效果。本文的研究成果可以丰富图像修复技术的研究,为图像修复技术发展提供理论参考,且在人脸去遮挡、文物修复、生物医学成像等方面具有一定的应用价值。