近十年来,随着虚拟试衣,个性化服装定制,身体健康监控系统等应用需求的快速增长,简单、高效的三维人体数字化表示技术受到科研人员越来越多的关注。传统的基于大型激光扫描仪的三维人体重建技术为三维人体数字化表示提供了有力的数据保障,方兴未艾的机器学习技术特别是深度学习技术则为三维人体数字化表示提供了新的理论和算法工具。大致来说,三维人体数字化表示涉及以下内容的研究与应用:数据预处理、人体形状表示空间以及高效的三维人体重建。数据预处理包含对扫描得到的三维物体进行噪声过滤以及姿势归一化等技术,旨在获得一个高质量的易于进行形状统计建模的数据集;人体形状表示空间是指对三维人体数据集进行统计建模得到其压缩形式的参数化表示模型,方便数据存储、传输和处理;高效的三维人体重建是指在人体形状表示空间协助下,预测和分析图片或者视频中的人体形状,可应用于虚拟试衣或者个性化的服装设计。为了给三维人体数字化表示提供新的理论依据和技术方法,本论文对上述几个方面分别做了调研,主要贡献如下:（1）针对三维扫描设备在物体重建过程中遭受到的噪声影响,本文提出了一种传播的网格法向滤波算法。该算法通过深入剖析双边滤波的基本原理,将滤波算子中权重的设计重新定义在网格表面自身的流形结构中,从而能够在物体表面沿着最短路径的方向利用累积的法向差异去计算高斯核函数中的距离度量。总的来说,该算法弥补了网格滤波原理中的漏洞,同时也增强了网格滤波算法的可解释性,实现了在过滤网格表面噪声的同时能够有效地维持住网格原有细节的目的。（2）针对规范人体姿势的问题,本文介绍了一种适用于非刚性物体的姿势归一化方法。该方法基于形状变形框架,能够促使网格上所有不相邻的点对在变形的过程中远离,同时又可以将局部变形约束在保刚性能量的正则化策略中,有效地保护了三维物体的局部细节,极大降低了自身的几何畸变,从而实现将姿势不同的非刚性物体展开到规范的姿势下。提出的模型在交替迭代的算法优化框架下,模型的求解被转化为解线性系统,简单且高效。此外,为了进一步增强算法的计算有效性和鲁棒性,本文分别在迭代的内部实施了并行策略以及在迭代的外部使用了由粗到细的级联策略。（3）针对三维人体形状表示空间问题,本文从稀疏表示的角度出发建立了一种新的人体形状表示统计模型。首先将人体网格分割成大量的可供稀疏表示学习的训练信号,然后使用在线L0算法学习出用于重建原始人体数据集中所有训练信号的字典矩阵和稀疏表示系数,最后利用重构出的信号组装出原始的三维人体。相较于传统的基于主成分分析（PCA）的统计模型,本文提出的算法具有更高的压缩率、更低的形状近似误差,能够降低三维人体数据存储和传输压力。重要的是,从局部训练信号中学习出的字典具备一定的通用性,可以重建出与原始人体模型拓扑不一样的其他形状。（4）针对高效的三维人体重建问题,本文试图从两个正交的人体轮廓（即正面和侧面视图）重建三维人体形状。通过使用监督学习的方式,本文设计的卷积神经网络（CNN）架构不仅可以自动提取正视图和侧视图的判别特征,还可以通过融合手段精确提取他们之间的混合特征,并使用全连接的神经网络建立混合特征和人体形状表示空间系数之间的映射函数。最后利用学习出的映射函数和基于PCA或稀疏表示的人体形状统计模型,重建出高精度的三维人体形状。除此之外,本文提出的技术可被应用于自动化服装设计领域中。