物体三维重建已经广泛应用于自动驾驶、3D打印、虚拟仿真以及VR游戏等多种场景,涉及了生物学、神经科学、生态学和农业等多个领域。随着深度学习的发展应用以及大规模三维物体重建数据集的建立,利用深度神经网络从单幅图像中恢复物体三维形状引起了越来越多的关注。现有的深度学习方法通过采用不同的几何表示和不同的深度神经网络框架进行单视图物体三维重建已经获得了不同程度的成功,然而这些工作在重建精度和不同类别物体重建的泛化能力上都存在不同程度的不足。本文在现有研究工作的基础上,继续对基于深度学习的单视图物体三维重建技术进行研究,主要工作总结如下:（1）针对拓扑结构简单的物体（飞机、汽车、长椅、沙发等类别模型）总结并提出了一种基于自由曲面变形方法的深度神经网络模型,该模型首先利用编码器-解码器-预测器结构从输入图像中提取图像控制点矩阵,然后通过一个基于Point SIFT的自适应模型降维网络从模板模型中提取模型控制点矩阵,最后利用模型变形矩阵通过自由曲面变形方法对模板模型进行变形,从而获得和图像中物体特征相似的三维模型。（2）针对拓扑结构复杂的物体（如桌椅等）提出了一种中心骨架与自由曲面变形方法结合的骨架修正网络模型,该模型首先利用骨架重构网络通过单幅图像生成物体粗略的点云骨架,然后将点云骨架作为自适应生成的模板模型,通过不同的特征提取网络分别从图像和点云骨架中提取控制点矩阵,最后利用自由曲面变形方法对点云骨架进行细节修正,从而实现复杂拓扑物体的高精度点云重建。（3）开发了基于Py Qt5的单视图物体三维重建软件,该软件可以通过单张图像对图像中物体进行点云重建,在提供掩膜的情况下,支持真实场景的物体三维重建,并且提供了重建可视化的相关操作。在公开数据集上的对比试验中,本文所提出的方法在点云重建精度和泛化能力上都取得了较好的效果,证明了其有效性。