图像修复旨在利用周围的空间上下文信息来恢复缺失区域，其中邻近像素提供关键的结构线索，而远距离区域则提供互补的语义信息。为联合建模这两类互补依赖关系，本文提出了一种新的图像修复框架——分层序列上下文建模，该框架基于状态空间模型进行多尺度自回归序列建模。不同于现有的单尺度 SSM 方法，HSCM 将像素级建模与语义级建模显式划分为两个互补分支：局部感知单元用于保留细粒度纹理细节，全局补偿单元则在块级尺度上传播高层语义信息，以增强整体一致性。其异步的分层设计先进行局部纹理重建，再执行语义补偿，在较低计算开销下实现了显著的性能提升。借助四向建模结构，HSCM 在空间分辨率增长时保持线性计算复杂度，并有效构建了全面的全局感受野。此外，本文还引入了一种交叉门控前馈网络，用于缓解块边界伪影并增强通道间特征一致性。基于多尺度编码–解码架构，HSCM 在 CelebA-HQ、FFHQ、Paris Street View 和 Places2 等多个基准数据集上均取得了最先进的图像修复效果和良好的泛化能力。