随着3D数据获取的便利，3D数据大量出现，对原始3D数据质量提升的需求也愈发迫切。网格数据作为3D数据的一种主流表达形式，其高质量的恢复显得尤为重要。3D网格数据的处理流程一般包括重建和去噪这两个阶段，即先从2D观测重建出3D网格，再对3D网格进行去噪后处理。本文的3D网格重建和去噪算法旨在研究如何提高这两个阶段所输出3D数据的质量。锐利边缘是保证3D网格数据高质量且细节丰富的关键特征。然而，在以往的3D网格重建或去噪任务中，它没有引起人们足够重视，甚至常被错误地以噪声处理。在3D网格重建任务中，需要解决2D与3D边缘视觉不一致带来的重建质量下降问题。为此，本文设计了一个图神经网络，利用了边缘特征信息，在边缘损失及正则化项的作用下，通过从单幅彩色图像上提取到的特征驱动预定义的3D网格产生形变。实验结果显示算法性能与最先进算法相当，且边缘视觉效果得到改善，表明算法在传统多视角三维重建算法受限的单视角场景下重建的有效性，显示了其改善重建算法生成的3D数据质量的能力。在3D网格去噪任务中，如何兼顾模型光滑表面与锐利边缘是一大挑战。有别于聚焦处理光滑表面的经典方法，本文设计了一种在能量最小化框架下，能感知特征的三边滤波器，以应对前述挑战。本文把问题建模为3D网格上特定信号的能量函数最小化，其中能量函数的数据项和平滑项经过精心设计。此外，本文引入了能感知特征的三边滤波器，该滤波器通过检测网格上的锐利特征并将其与光滑表面区分，为能量模型提供了高质量的引导信号。本文算法融合了该能量模型和滤波器，纳入了更多先验信息，最后经过全局能量优化后能获得更好的去噪性能。本文在合成及真实3D网格数据上的去噪实验，显示了算法的去噪表现在主、客观评价指标上超越了对比的最先进算法。本文还通过消融和参数敏感性实验，验证了算法的鲁棒性和有效性。去噪结果的鲁棒和高效表明算法适用于未来以高质量3D网格数据为载体的应用。