图像修复的目标是利用图像中已知内容,按照一定的修复规则,自动地恢复丢失的内容,具有极其广泛的应用价值。而近年来深度学习在图像修复领域取得了一定的突破,但仍然存在一些问题,比如修复区域较大时,边缘容易产生伪影干扰等。且基于深度学习的模型大多数是基于自然图像进行设计训练,因此在自然图像上表现优秀的模型移植到特定样本经常难以达到预期效果,如医学图像。基于以上问题,本文主要的研究内容和工作创新点如下:（1）深入分析了近年来深度学习在图像修复领域里的优秀模型,进而发现目前基于深度学习的图像修复模型仍存在有待改进的地方,如修复区域边缘的伪影干扰;在医学图像修复上,结构细节不合理、颜色不一致等问题。（2）针对深度网络在修复较大且不规则区域时边缘容易出现伪影问题,本文设计并实现结合深度学习和图像融合的图像修复模型。先用阈值分割和逐像素扩大法获得扩大的遮挡图片。将扩大的遮挡图片与待修复图片作为图像生成网络的输入并获得生成图片。接着以原遮挡图片为模板,从生成图片中截取与待修复区域一致的部分,进行融合。在融合的过程中,本文使用Candy算子获得融合边缘并用模糊算子来对融合边缘进行模糊保护。实验表明,本文所提模型明显改善了修复区域边缘的伪影干扰问题。（3）针对深度网络在图像上的结构细节不清晰、颜色不一致等问题,本文通过传统图像处理技术与深度学习模型的结合,设计并实现了针对医学图像修复的模型。首先对待修复的图像进行线性增强;其次,增强后的待修复图片进入已训练完成的图像生成网络进行修复;最后对生成网络的生成结果进行灰度转化和高斯模糊。实验表明,本文所提的模型极大的改善了深度学习在医学图像修复上结构细节不合理、颜色不一致等问题。（4）将本文所提出的模型具体应用于医学X光图像的修复。具体包括修复医学X光片的金属三维遮挡,其可为医生诊断提供更为干净无干扰的医学X光图片;以及病变骨骼X光片的病变位置修复,将病变部位恢复至基本接近其未病变前的样子,为医生诊断病情和制作假肢等三维制作活动提供更多参考依据。