随着数字图像技术和互联网技术的高速发展,对于图像修复技术的应用越来越广泛。图像修复问题在图像处理领域有着非常坚实的技术基础,且对其他有所关联的图像处理任务可以提供重要的技术支撑。现阶段的图像修复技术主要应用于安防、艺术品复原以及电影、摄影等行业,具有非常重要的研究意义,已成为计算机视觉领域重点研究方向之一。本文的主要工作内容是考虑到现阶段的图像修复算法存在的不足,例如无法关联多层次感受野的信息以及缺少对卷积模块的注意力分配等问题,提出相应的解决方案。结合生成对抗网络算法,本文设计了用于图像修复任务的算法模型。采用多层次信息融合模块引入不同级别感受野的信息,加入了更具针对性的注意力机制和多通道卷积模块,可以有效地优化现有模型的缺陷。具体工作如下:首先,本文详细介绍了图像修复任务的研究背景以及现阶段国内外的研究现状,分析了现有算法的研究趋势,简要介绍了传统的图像修复算法以及基于深度学习的图像修复算法,并对本文将要进行的工作进行系统性的简述。其次,本文分析了图像修复任务的应用需求,现有的模型仍然很难满足,针对基于深度学习的图像修复算法存在的不足,提出改进的思路。先后介绍了本文所依仗的算法理论,多角度的分析了相关的算法原理,为本文后续的工作提供铺垫。随后,阐述了本文所设计的图像修复模型,从网络结构、注意力模块、多通道卷积模型、损失函数设计等,多方面的介绍了我们的工作,并与基准架构对比,分析了本文所做的改进。最后,为了验证本文所提方法的有效性,在Image Net图像数据集上进行对比实验。本文模型在结构相似性和峰值信噪比的指标上分别取得了28.83、0.907的成绩,修复结果在上下文连接处更佳自然,纹理结构具有更高的可信度。与基准网络以及前沿的图像修复算法的对比结果显示,本文的算法无论在定量的评价指标(即结构相似性和峰值信噪比)还是在主观的修复结果感知上,都明显有更好的表现,证明了本文算法能够有效的提升现有模型的性能。