体数据可视化将三维体数据转化为直观、形象的二维图像,揭示体数据中用户感兴趣的特征,已广泛应用于医学、气象、地质、科学仿真等领域。本文提出了基于卷积神经网络的体数据可视化,提高低质量体数据的数据质量及绘制效果,并从已有的二维绘制图像中学习用于数据分类的传输函数,实现数据分类知识的提取和有效利用。针对低质量体数据的质量增强,本文基于稀疏编码的思想,提出了统一的三维卷积神经网络结构,并将其应用于体数据超分辨率和去噪。该网络使用三维卷积对体数据的三维结构进行特征学习,引入三维伪卷积缓解了三维卷积带来的大量参数和运算。与其他方法相比,该网络在超分辨率和去噪任务中能够更好地保留体数据的特征结构和细节信息。本文基于编码器-解码器结构,提出了一种二维卷积神经网络从绘制图像中还原传输函数,设计了传输函数的距离和传输函数对应绘制图像的距离两种损失函数,能够更有效地从绘制图像中重构出具有相似数据分类能力的传输函数。结果表明,该网络能够较好地从绘制图像中恢复出传输函数,对体数据的特征进行相似的分类。重构的传输函数可以用于同类型体数据的数据分类,实现智能的可视探索。