在2020年初,一场疫情突如其来,截止于目前2020年11月为止全球已经有3000多万人感染了新冠病毒,同时全球又有100多万人死于新冠肺炎,这一事实令人感到恐惧。为了更快地战胜新冠病毒,目前已经有许多专家进行了疫苗的研发,除此之外,在日常生活中我们的卫生防护也尤为重要。本课题的主要研究内容是非织造材料的三维点云重建与纤网结构表征,利用光学显微镜采集非织造材料的多焦面序列图像,利用聚焦测距与卷积神经网络技术,最终得到了效果优异的三维点云模型,并通过对重建出来的非织造材料三维点云模型对其进行三维结构表征,计算得到材料的外围体积轮廓、静态厚度、表面平整度与纤维体积比。本文利用了多焦面序列图像的特点,分别采用了不同的重建方法对非织造材料进行了三维点云重建,具体所做的研究内容如下:（1）多焦面序列图像采集系统设计:本文编写了一套可以便捷操控的多焦面序列图像全自动采集系统,用户可以在图形界面上简单控制显微镜载物台的三轴移动以及调整不同的光源强度采集不同的非织造材料图像。除此之外,本文还测量了显微镜载物台的三轴移动距离并确定了光源强度;选取了面密度分别为10g/m2、30g/m2、60g/m2、90g/m2的非织造材料作为实验样本。（2）基于聚焦测距技术（DFF）的非织造材料三维点云重建:在传统的DFF方法中,一般是重建较为密实的物体表面深度,比如织物的毛羽,但是对于非织造材料来说,由于其具有许多联通曲折的孔洞,所以在提取深度信息时,孔洞区域的深度是不确定的,又或者说该块区域的深度值应该是无穷大的,因此在三维重建时如果采用传统的DFF方法就会在非织造材料的孔洞处产生许多背景噪声。本文改进了传统的DFF方法,先将图像序列进行融合分割,分离出图像中的纤维与背景部分,然后根据分割图进行深度计算获得三维点云模型,其得到的最终效果远远超过传统的DFF方法。通过该方法,使得非织造材料的相关研究人员能够较为直观地观察非织造材料的三维结构信息,而无需花费高额的测试费与漫长的时间去拍摄工业CT。（3）基于卷积神经网络的非织造材料三维点云重建:为了解决使用DFF方法重建较为密实的非织造材料效果不佳的问题,本文提出了一种基于卷积神经网络的非织造材料三维点云重建方法。在该方法中本文提出了一种基于卷积神经网络的非织造材料多焦面图像聚焦点检测模型IPDNet（In-Focus Point Detection Network）,并且通过和其他提取图像聚焦区域的算法进行比较,结果证明IPDNet比起其他算法具有更好的效果,另外IPDNet对于面密度较大、纤网结构排列紧密的非织造材料也具有较好的重建效果。除此之外,对于传统的深度信息提取算法加以了改进,利用了一维高斯卷积核对多焦面序列图像中每个点的清晰度变化曲线进行了平滑,消除了噪声带来的误差,并且最后使用了二分查找算法求取其最优深度值。（4）非织造材料三维点云模型纤网结构表征:在论文最后,本文提出了非织造材料的外围体积轮廓、静态厚度、表面平整度与纤维体积比的表征方法,并且将计算结果与工业CT扫描法得到的结果进行比较。结果证明,利用本文重建出来的三维点云模型测得的结构参数与工业CT扫描法结果相近。本文对非织造材料的三维重建进行了研究,并且结合卷积神经网络技术与聚集测距技术（DFF）得到了较为不错的结果,且最终测得的纤网结构信息准确,为探究非织造材料三维结构的研究者们提供了一种新的思路与方法。