三维人体模型重建一直是计算机视觉领域的一个重要研究课题。现有的互联网公开数据中包含大量的人体图像,重建三维人体模型可以更好地理解和描述图像中人体动作、形态、表情等信息。基于深度学习的方法在重建三维人体模型领域中应用较为广泛,然而目前缺少包含全身三维人体模型标签的公开数据集,这给基于单目图像重建全身三维人体模型带来了很大的阻碍。本文构建了带全身三维人体模型标签的数据集,并提出了端到端的全身三维人体模型重建算法。现有的公开数据集中只包含身体模型标签,无法训练端到端的全身人体模型重建算法。为了解决数据集缺失问题,借鉴拟合参数模型的思想,本文构建了带全身三维人体模型标签的数据集。首先,筛选HUMBI数据集中清晰的人体图像,并基于Open Pose算法提取全身关键点坐标;其次,将SMPL模型映射到SMPLX模型,得到与HUMBI数据集身体模型相同姿势和体型的SMPLX模型;最后,映射得到的全身人体模型SMPLX作为先验模型,将SMPLX模型拟合到估计的全身关键点,优化手部动作和脸部表情,得到最终的全身三维人体模型标签。本文构建的全身三维人体模型精度结果表明,可以将其作为端到端网络训练的真实标签。本文最终构建了34851对数据,数据集包括原始图像,及其对应的全身关键点坐标和全身三维人体模型。二维人体图像中,手和脸在图像中占比较小是客观事实,为了适应现有的图像特征提取网络,在将图像缩放到较小的分辨率后,通过下采样网络,会丢失手和脸细节信息。因此,基于上述构建的数据集,本文提出了两阶段重建全身三维人体模型算法。首先,在原始图像中裁剪身体、手和脸的图像,保证三部分都具有较高的分辨率;其次,分别设计了身体、手和脸的特征提取网络,提取身体、手和脸的图像特征;最后,将上述的三部分特征进行级联,使用联合重建网络,重建全身三维人体模型。基于构建的数据集进行测试,对本文提出的端到端的重建三维人体模型算法与现有的方法进行对比,结果表明本方法重建的全身人体模型精度和算法运行效率均有较大的提升。此外,本文还分别将身体,手和脸特征提取模块与现有方法进行对比,在公开数据集中,各部分重建的模型精度均有较好的表现。