古文物承载着人类文明千年以来的历史文化和精神内涵,对研究古代经济、文明等方面起到至关重要的作用。通过将古文物进行数字化处理,从二维图像转换为三维模型的形式能够有效地减少实体展览所带来的空间和时间上的资源损耗,同时能够使人们能够通过网络的形式以三维的角度更全面地去了解并学习古代文物所蕴含的历史文化。不同于传统的三维重建方式,基于深度学习的三维重建方式更适用于单视图的情况,同时能够在不需要复杂的图像处理操作前提下进行三维重建。因此,研究单视图和深度学习的古文物三维重建技术具有深远意义。本文的具体研究内容如下:针对目前特征提取算法提取能力不足的问题,利用现有的高阶信息提取算法,提出了一种2D-高阶模块。在现有的文物以及工艺品数据集基础上,编码器层面上通过1×1卷积和算子求积求和的方式实现2D-高阶模块。使用该模块能够挖掘出图像数据的深度信息,对图片中复杂的高阶关系进行建模,提高了特征提取的性能效果,解决了一阶特征提取中存在的图片信息提取深度不够、粗糙且特征不明显的问题。使用2D-高阶模块结合Res Net的方式作为编码器的Io U指标为0.570,对比仅使用Res Net作为编码器的3D-R2N2提高了1.2%。针对现有重建算法精度不够的问题,使用“编码器-解码器-优化器”作为整体网络结构,提出了2D-Rep VGG（2D-Re Parameterization Visual Geometry Group）网络模型作为编码器,该模型以单分支的形式对多分支参数进行模拟,在精度和性能上较于残差网络均有更好的效果。使用了AM-Softmax作为损失函数,并以上下文感知融合模块作为优化器,将体素模型的细节部分进行优化。实验结果表明,整体的网络模型对比Pix Vox的Io U值提高了0.7%。根据上述的研究内容,本研究设计并实现了基于单视图和三维重建的古文物三维重建系统。该系统能够实现图片上传、三维重建、数据下载功能。对于用户输入的图片数据,该系统能够对图片进行自动检测,在符合输入条件的情况下生成对应的三维体素模型。实验证明系统整体高效可用,各项功能均能正确执行。