随着三维表面重建技术的逐渐发展与成熟,人们为了能够重建出高精度的物体表面,不断地对该技术进行优化和改进,并将其运用于很多领域。其中,将BP神经网络应用于物体表面重建也是一种改进表面重建技术的重要手段,而BP网络训练精度的好坏将直接影响表面重建的精度。因此,可以通过对BP网络加以改进,以此提高网络的训练精度,从而更好地重建出物体的表面。本文主要通过增加BP网络的隐层数目来提高网络的训练精度,但是,增加网络的隐层数目则会急剧增加算法所耗费的时间。另外,本文主要针对点云数据进行表面重建,点云中的数据点个数非常庞大,而该方法对于所有数据点都将进行操作,因此减少算法的整体执行时间是一个急需解决的问题。并行计算技术则是针对该问题的重要方法,该技术可以在保证串行算法原有精度的情况下有效地减少算法的执行时间。本文主要使用多核并行技术和基于GPU的并行技术来降低算法的整体耗时,提高算法的执行效率。本文算法步骤可以概括如下:首先从文本文件中获取点云信息,利用八叉树来存储这些点云数据,构造网络的输入矩阵和输出矩阵,然后通过多隐层BP神经网络对点云数据进行训练,从而获得隐函数表面,隐函数表面即是对物体真实表面的逼近,将隐式函数存储于网络的权值当中,根据网络权值中的隐函数信息利用隐函数表面可视化方法显示出物体表面。然后针对串行算法中较耗时的部分进行并行加速。实验结果表明,本文提出的基于多隐层BP神经网络的表面重建算法能有效地提高物体表面的重建精度。利用并行计算技术对该算法进行并行计算也能较好地缩短算法的执行时间,提高算法的执行效率。