在计算机视觉领域,基于条纹投影轮廓术的三维重建方法因其非接触的特性以及在常规场景下高速、高精度的优点,已被广泛应用于工业检测、逆向工程、生物医学等领域。然而,对于一些特殊情况如反射率不一致、动态以及大景深的场景,现有算法无法兼顾测量速度与测量精度。本文利用深度学习数据驱动的优势,为实现上述场景下高性能的三维测量,提出了精确快速大景深三维重建方法。并且,就监督学习场景适应性较弱所引起的泛化能力受限的问题,提出基于无训练深度学习的方法。具体研究工作如下:针对现有条纹投影轮廓术在反射率不一致场景下,随机噪声在低调制度区域引起的重建误差较高的问题,从误差来源出发,提出了基于条纹调制度增强的精确三维重建方法。突破了条纹调制度的限制,通过抑制随机噪声,仅需两帧条纹图像,即可在条纹调制度仅为3.52的情况下将相位误差由0.15rad降低至0.04rad,与常规场景下随机噪声引起的0.02rad的误差相近,提升了三维重建精度。鉴于现有条纹投影轮廓术在动态场景下投影帧数过多,物体运动引起误差较高的问题,从相位恢复和相位展开的物理机理出发,提出了基于条纹图像转换的快速三维重建方法。突破了投影帧数的限制,通过条纹到条纹之间的转换,仅需单帧或双帧图像（测量的深度范围是否引起小于一个条纹周期的相移）,即可实现相位误差仅为0.04rad的高精度三维重建,提升了三维重建速度。瞄准现有条纹投影轮廓术在大景深场景下三维重建性能有限的问题,从测量设备引起的误差来源出发,提出了基于景深拓展的大景深三维重建方法。突破了测量景深的限制,通过降低相机失焦、条纹低调制度以及高次谐波对三维重建的影响,仅需设备固定的焦距下拍摄三张条纹图像,即可在原有的4.7倍的测量景深内实现高性能的相位恢复。关于现有基于监督学习的方法数据依赖性过强、泛化能力较弱的问题,从三维测量的物理机理出发,提出了基于无训练深度学习的几何约束相位展开方法。突破了监督类方法对场景适应和泛化的技术瓶颈,无需有标记数据,仅利用输入图像并通过网络参数迭代优化的方式即可获得正确的条纹级次,在数据量有限和数据分布差异较大的情况下,均能实现正确的相位展开,提升了基于监督学习方法的场景普适性。