现如今,三维重建技术已经得到了长足的发展,无论是硬件方面的提升还是重建算法的进步,都促使生成的点云模型既稠密又精准,但是不可避免的仍存在一些问题:在真实的扫描环境中,由于视线遮挡或技术人员操作不当,实际得到的点云模型会存在数据缺失。点云的数据缺失现象会在重建的过程中产生严重的影响,导致无法有效的获得模型完整的结构和表面形态特征,给后续应用带来不便。因此,点云缺失数据的修复问题成为了三维模型研究与应用的关键。传统的基于曲率特征、网格之间的约束关系或孔洞区域的邻域信息等孔洞修复方法无法满足大面积的数据缺失修复;基于数据库先验知识或预定义规则的方法又过多的依赖手工设计,效率低下。随着深度学习以及3D数据库的发展,基于深度神经网络的三维特征提取算法在三维领域中也逐渐取得突破性的进展。因此,针对点云模型的数据缺失现象,本文基于生成对抗网络对点云大面积数据缺失修复进行了研究。主要工作包括以下三点:(1)为解决点云数据缺失问题,本文将编码器-解码器网络引入到三维点云形状修复领域,通过深度学习强大的学习能力,利用点云模型的整体信息对缺失区域结构进行有效的修复。相比于基于体素CNN的3D-EPN算法在测试数据上经过实验验证,该算法能够有效的对点云模型进行修复,但修复的结果存在分布不均匀的问题。(2)针对AutoEncoder网络修复的点云分布不均匀的问题,本文借鉴生成对抗网络的思想,对AutoEncoder网络进行改进,提出基于生成对抗网络的点云形状修复算法,并通过对比验证该算法进一步的提高了AutoEncoder网络的点云形状修复能力,使修复后的点云分布更加均匀。与其他基于深度学习的点云形状修复算法在测试数据上经过实验验证,本文提出的算法达到与其相同甚至略优的性能。(3)运用RTAB-Map算法通过Kinect传感器分别在仿真环境以及真实场景采集点云数据,然后利用PCL点云库中算法对场景点云进行分割、离群点移除以及下采样等预处理操作,得到数据缺失的三维点云。最后,将数据缺失的点云用训练好的点云形状修复GAN进行形状修复。