对特定物体三维姿态角的精准获取尤为重要。相关信息的有效应用在包括工业生产、航天航空、智能机器人等相关领域中提供了关键性的信息参考与辅助。传统的三维姿态角测量方法往往需要借助高精度测量仪器进行分析，相关测量方案施用成本较高，具体适用性受限。
　　随着科学技术的发展和计算机视觉的相关领域中的广泛应用，基于视觉分析的三维姿态角测量取得了较为良好的测量效果。然而，现有的基于视觉系统的三维姿态角测量，需要解算实际物体上特征点与获取图像之间的复杂视觉对应关系，且不同特征标识物解算关系往往不同。随着神经网络的快速发展，相关理论已经被广泛应用于基于计算机视觉的目标检测、动作识别、行为分析、物体分类等各类场景中。依托于有效的视觉特征提取算法和网络拟合能力，其性能和效果较比传统计算机视觉检测性能更优、精度更高。因此，基于该理论的物体三维姿态角测量已成为可能。
　　本文提出了一种基于卷积神经网络(Convolutional Neural Network，CNN)的物体三维姿态角测量方案，成功实现了端到端检测。进一步，为有效扩大测量范围，减小神经网络训练样本量。我们论证了物体各个姿态角维度信息改变的独立性，并提出差和图训练方案。同时，为解决差和图与原始获取样本图像之间的对应性，我们提出了一种生成式编码器，实现了两类图像之间的转化，以保证训练模型在实际应用中的检测效果。
　　实验证明，本文所提出的基于卷积神经网络的三维姿态角测量方案所取得的效果显著优于目前最先进的方法。于此同时，我们所提出的姿态测量方案，克服了传统方案测量速度不高的缺点，在测量速度和效率上均实现了显著提升，可以达到实时测量的目的。