曲面重构被广泛应用于地球科学、机械工程、环境科学等多个学科领域以及一些实际的资源勘探工程中,其目标是利用三维空间点云数据来建立连续的三维空间曲面模型。现阶段计算机图形学主要是用插值和逼近两种思想来进行曲面重构,但由于点云数据存在不确定性（包括不完整、不精确、含有噪音等）和结构形态学信息缺失等问题,使重构的三维空间曲面模型存在多解、不稳定、精度不高等问题,导致机械设计和油气勘探等逆向工程面临更多风险。随着计算机科学和技术的快速发展,尤其人工智能与各学科的广泛结合,深度学习开始应用于三维建模中。本文针对曲面重构过程中的不确定性问题,运用神经网络强大的非线性拟合能力和自适应学习能力,通过改进神经网络结构和目标函数来构造曲面语义约束,提出了一种基于语义约束引导的曲面重构方法。该方法量化了建模数据的不确定性,有效地提高了曲面模型的精度,解决了曲面重构中出现的不平滑、构造特征不准确等问题。本文针对不确定性曲面重构问题,作了如下研究:1.提出了基于BP神经网络的回归网络结构设计方法。一方面利用神经网络强大的非线性拟合能力,用理论数据验证了回归神经网络在复杂曲面重构问题上的可行性;另一方面通过对回归神经网络前向传播算法,后向传播算法的研究,设计了学习率自适应调节算法,使学习率可以根据损失函数的大小进行调节,加快了网络收敛速率。2.以空间曲面光滑性为研究对象,提出了一种基于几何语义约束曲面重构方法。在回归神经网络结构基础之上,利用图像模糊处理技术和原理来计算空间曲面平滑误差,并把曲面平滑误差作为特征误差模块,然后用拟合误差和平滑误差一起作为网络回传的损失函数,从而来对神经网络权值进行调整,实现了基于几何语义约束的回归神经网络。最后用地质点云数据进行仿真并应用于空间曲面重构中,使得到的空间曲面模型不仅具有较高的逼近精度,也提高了曲面的光滑性,从而验证了该方法的可行性。3.以空间曲面褶皱形态为研究对象,提出了一种基于形态语义约束的曲面重构方法。本文首先基于图像边缘检测的技术原理,利用Canny算法对空间曲面褶皱形态的脊线和槽线进行表征和特征提取,并用提取的特征数据对语义回归神经网络进行二次训练,来对神经网络权值进行约束,从而降低了网络回归过程中的不确定性,实现了基于形态语义约束的回归神经网络。最后用地质三维点云数据进行仿真,得到回归后的曲面在整体形态上更加符合实际的地质地貌和人对客观事物的认知。