随着移动端设备越来越智能化,网络传输更稳定、更迅速,越来越多的3D应用开始在手机等移动端普及。例如在一些游戏和短视频应用中,已经开始使用虚拟现实和增强现实技术增加其交互性和趣味性。因此,作为这些3D视觉应用的基础,物体3D姿态估计也获得了越来越广泛的关注和研究。绝大多数移动设备仅仅能获取RGB图像,没有深度等额外信息。在图像中同一类别的物体可能会有外形、颜色上的巨大差异,并且物体还常常出现被遮挡或者被截断的情况。此外,由于抽象程度较高,用于物体3D姿态估计的神经网络有一定的训练难度,且直接对输入图像到3D姿态的映射进行建模的方法很容易导致较严重的过拟合。因此,从RGB图像中估计物体的3D姿态是一项比较具有挑战性的任务。为了解决这些困难,本文提出了一种专为物体3D姿态估计设计的深度卷积神经网络,称为VE-Net。VE-Net融合了一个关键点检测网络作为中间层抽象,将较为底层的图像特征和物体3D姿态这一较为高层、抽象的目标连接起来,从而起到正则化作用,降低网络训练难度。该网络使用了一个基于循环神经网络的关键点编码子网络来对物体关键点之间的内在几何联系进行建模,提取出更为健壮的特征,故而对截断和遮挡情况能有更好的表现。本文还设计了针对于物体3D姿态估计问题的损失函数,并将其和关键点检测损失共同优化。这两个损失函数在训练中同时作用于主干网络,相互促进、信息共享,从而进一步提升了对物体3D姿态估计的效果。本文在PASCAL 3D+数据集上进行了实验,并和现有方法做了对比。实验结果验证了本文所提算法的有效性。