作为一种产品快速设计和制造的重要手段，逆向工程越来越成为CAD/CAM领域中的一个研究及应用热点。逆向工程是通过各种测量设备和技术将实物模型数字化，然后通过三维几何建模方法重构实物用于分析和制造。因此如何获得准确完整的测量数据和重构方法的选择是逆向工程研究中的两项重要内容，将会影响反求工程后续数据处理和最终建模的效果。本论文针对目前逆向工程中较为关注的两个问题：残缺曲面数据修补和曲面重构问题进行了探讨。研究了基于RBF神经网络的数据修补和基于NURBS算法的曲面数据重构。 论文首先介绍了逆向工程的基本概念、应用及其关键技术，综述了目前在数据修补和曲面重构领域的研究现状，对逆向工程软件的基本状况和发展趋势进行了说明；其次，分别介绍了BP神经网络和RBF神经网络的基本理论，神经网络是人工智能高速发展的产物，具有较强的非线性映射能力，目前广泛应用在模式识别、函数逼近、优化计算等领域。通过建立适于数据修补的网络模型与采用Levenberg-Marquardt算法的改进型BP神经网络进行了性能比较，实验表明运用RBF神经网络对数据的修补速度快，精度较高，且不必考虑曲面形状等因素；介绍了NURBS和Bezier曲面理论和主要性质，分析了它们的优缺点，详细阐述了NURBS曲面整体插值算法的步骤：型值点参数化、节点矢量的确定，NURBS基函数的求取以及反算曲面的控制点；最后着重介绍了基于NURBS算法的重构软件设计。本软件基于Visual C++和OpenGL为平台进行开发，主要完成数据输入、数据显示、曲面反算及重构等功能。最后通过实例表明了算法的可行性。