深度图像的出现推动了传统计算机视觉领域的发展,如何获取高质量的深度图像,成为研究者们关注的热点。消费级深度传感器Kinect能便捷的获取深度图像,但由于其自身成像原理及硬件限制,Kinect所得的原始深度图存在深度信息的区域性缺失（也称空洞区域）,需要进行修复。Kinect深度图的空洞区域,可借鉴传统图像修复中的样例块算法进行修复。此类算法先依据优先级确定待修复区块,然后拷贝搜索到的最佳匹配块来填补缺失。然而,现有策略只能寻找到相似度最高的块,而不能保证这个最优块与待修复块足够相似。为此,本文采用块合成的方式来代替拷贝既有匹配块,合成能拟合已知数据的新结构,使匹配块的相似度脱离已有结构带来的限制,并以已知数据约束最优块的合成,以减少匹配误差对修复结果的影响。本文首先融合纹理和深度信息,利用结构森林的边缘提取算子来检测真实深度轮廓和纹理轮廓,并运用轮廓的连续性得到完整的引导轮廓。然后,分析块搜索方法和块合成方案下样例块修复的合理顺序,并更新了优先级函数,加入了稀疏表示可靠度约束,确保优先修复的块可以可靠合成。最后,本文利用提取的引导轮廓,针对空洞周围的已知数据进行字典学习,以同层次的局部字典拟合区块内已知数据,合成目标区块,最终完成修复。基于Middelbury数据集和NYU数据集的实验结果表明,由于结合了深度信息和纹理信息,本文所提算法具有良好的边缘修复质量。基于局部数据的学习字典对于结构变化平缓的块表现良好,对于结构变化剧烈的块表现一般。