基于物理的仿真方法是计算机图形学研究中的一大热点,其中涉及了各种不同类型的物体,例如:刚体、柔性体、流体等等。如何得到具有物理真实感的柔性体形变是计算机动画、电影制作、医疗诊断以及工业制造中的关键问题,这一技术在业界有着诸多运用。一个柔性体的材料模型描述了形变与所产生内力之间的关系,这一关系可能具有高度非线性的特征。因此,本文采用神经网络作为基本弹性材料模型的补充,从而表达出复杂且多样的真实或艺术效果。本文提出了一个从物体稀疏运动轨迹中学习柔性体材料模型的框架,最终基于该模型模拟得到更多该柔性体的具有物理真实感的动画。为了解决轨迹稀疏,即获取的表面点不完整的问题,我们用稀疏降维时空优化算法来生成完整的轨迹运动数据,并生成校正的补偿力,之后再用径向基函数来学习形变到补偿力的映射关系。在学习到由径向基函数表达的材料模型后,为了提升模型的使用速度,还需要将其转化为神经网络。对于上述算法,本文给出了大量的实验进行说明和验证。