图像修补作为一项旨在根据已有图像信息对缺损区域进行合理填充的技术,被广泛的应用于破损图像修复、无关物体擦除以及影视后期制作中。近期基于生成式对抗网络的图像修补迎来了空前的进步,图像修补技术从单一过程逐步演变成多阶段多角度结合修补,通过多阶段对图像不同角度提取特征信息,以达到更好的视觉效果。因此,本文主要围绕基于多段式生成式对抗网络的图像修补展开,分别探索结合语义结构的图像修补、基于用户指导的图像修补以及基于光流法的深度学习视频修补技术。具体研究内容如下:（1）基于位置-通道注意力的语义结构的图像修补:本文提出了一种两段式的图像修补网络,以进一步提高图像修复的结构和细节的准确性。旨在解决现有方法由于无法保持图像语义一致性而存在的生成图像存在模糊纹理和扭曲结构的问题。网络模型将修复任务分为两部分:语义结构重构器和纹理生成器。语义结构重构器主要作用为保持语义结构一致性的前提下完成输入图像结构信息的修补。同时模型在纹理生成器中引入空间-通道注意力模块以获取生成细粒度的纹理的能力以及远距离和跨通道信息获取信息能力。（2）基于Transformer的用户指导的图像修补:本文提出了一种易于操作的可由用户提供指导信息的图像修补模型,通过交互式掩膜与提供的图像信息指导图像修补结果,并生成合理的修补结果。在基于Transformer特征提取器提取目标对象的分层特征后,修复网络采用分层特征融合的方式对原始图像和来自指导图像所需部分中的特征进行融合。（3）基于光流法的深度学习视频修补:本文提出了一种多段式视频修补网络,结合光流中包含的视频中连续帧图像中的时序信息应用到单帧的图像修补中,并引入保边滤波提取图像边缘信息弥补光流图模糊误导后续图像修补的问题。视频修补网络主要分为三个阶段:光流图生成与补全、保边滤波图像结构提取、结合光流图与图像结构图的逐帧图像修补。通过引入光流信息,使得模型能够更加准确的描述视频信息中的运动信息,进一步充分利用连续帧中存在的冗余信息,同时模型结合保边滤波后的图像边缘结构信息,提高对于运动物体边界修补的准确性。综上所述,本文通过对结合语义结构的图像修补、基于用户指导的图像修补以及基于光流法的深度学习视频修补技术三个方面的探索,提出了有效的解决方案,对图像修补技术在研究与应用提出了富有建设性的思路。