结构光三维重建技术作为非接触式三维测量的一个具有代表性的方法,在多个领域（如工业测量,人体测量,娱乐行业）中应用广泛。得益于深度学习技术的发展,相移条纹结构光技术也迎来了新的发展机遇。近期的研究成果表明,深度学习方法可以有效地提高相移法的精度。然而,这些方法需要通过更高精度的结构光系统收集大量的训练数据来监督网络,耗时费力。为了解决上述问题,本文试图寻求一种能够高效生成大规模数据集的方法,且可以用该数据集训练一个能够泛化于真实场景的相位估计网络。在探索的过程中,本文发现训练数据集可以高效地从现有的合成立体匹配数据集中生成。首先,使用真实的结构光系统捕捉一个近似平面的目标（如墙面）的一组条纹图像。然后,将双目立体匹配数据集中的右相机替换为一个虚拟的投影仪,通过视差确定光线的落点,并考虑光线随深度的衰减、物体表面法向量等因素之后,便可快速生成数万幅具有精确相位标签的三步相移条纹图像。为了验证合成数据集的有效性,本文搭建了一个相位估计网络,并使用该数据集进行训练。此外,本文还使用结构光系统收集了一个真实场景的数据集来训练同一个网络用以对比实验,其中训练图片使用三步相移法采集,相位标签使用十二步相移法制作。实验结果表明,使用合成数据集训练的相位估计网络不仅能够泛化于真实场景,还对不同周期的条纹、欠曝光和过曝光等场景都表现出良好的泛化性能。除此之外,网络只需三张条纹图即可输出高精度的相位,与三十六步相移法之间的相位误差为0.009左右,仅为三步相移法的一半,且与使用真实数据集训练的网络基本相当。采取本文的方法可大幅提高训练数据的制作效率,并且能够极大地扩充训练样本。