计算机辅助文物复原可以提高文物修复工作效率并降低文物二次破坏。对兵马俑类复杂文物,碎片的部位识别和匹配拼接是其关键技术。在碎片部位识别中,深度学习有较好的识别效果,但浅层网络识别精度较低而深层网络会出现一定程度的网络退化问题;在碎片匹配拼接中,对于具有复杂几何轮廓的碎片,基于单一特征往往难以取得较好的拼接效果。针对这些问题,本文以兵马俑文物碎片为研究对象,展开相关研究。主要包括:(1)针对兵马俑文物碎片部位类型难以判断的问题,提出了一种基于残差学习的三维卷积神经网络模型并应用于文物点云类型识别领域。本文对三维卷积神经网络进行了优化改进,引入了残差学习,有效避免了深层三维卷积神经网络退化问题,一定程度上提高了物体点云类型识别的精度,并将三维残差神经网络应用到兵马俑碎片点云数据中,进行兵马俑碎片类型识别。实验结果表明,三维残差神经网络方法在兵马俑点云碎片识别任务中,识别准确率达到83.59%,满足碎片类型识别要求。(2)针对具有复杂几何轮廓特征文物碎片,使用单一特征进行碎片匹配精度不高的问题,提出了一种基于轮廓线多特征约束的碎片拼接算法。该算法对碎片散乱点云数据进行Delanuay三角剖分,并对构建的三角网格数据提取三维轮廓曲线及曲线上的特征点;然后针对提取的特征点的不同特征构造特征矢量,并引入逻辑回归方法融合多特征构造特征点匹配约束函数;其次使用构造特征点匹配约束函数以及三维轮廓线形成特征矢量建立多碎片动态匹配算法;最后通过碎片匹配算法进行三维轮廓线匹配,并通过刚体变化及ICP配准算法将轮廓匹配的碎片进行拼接。实验表明,该算法针对碎片轮廓线保存完整的碎片具有较好的拼接效果,且能够一次性完成多个碎片的拼接工作。(3)设计并实现了兵马俑文物复原系统。将算法应用于兵马俑文物复原过程中,支持兵马俑文物碎片从类型识别到整体拼接的流程,为文物实体拼接提供指导。