三维重建在计算机视觉与深度学习等领域是一个长期存在的关键问题,在近几十年得到了广泛的关注与研究。在基于图片完成三维重建中,由于物体部分遮挡导致未知信息增加使这项任务有很大的不确定性。虽然使用多个角度的图像会降低三维重建的难度,但在现实生活中,物体单个角度的图像不仅更容易被获取,且从单张图像重建三维形状更具有实际意义。所以本文使用单张图像完成三维重建。然而,由于单张图像的自遮挡部分导致未知信息增多,且使用深度学习的方法不会使用精确的相机测量并拍摄目标对象,故现有的方法普遍存在对象被遮挡部分的重建质量低下,重建出的形状没有精确细节甚至偏离实际的问题。对此,针对单张图像三维重建的高度不适定的问题,提出了利用2.5D草图作为中介,逐步恢复物体三维点云的方法。该方法首先训练了一个三维点云生成器,用来学习数据集中的三维点云的先验知识。然后训练了一个从二维图像恢复三维形状的模型,它首先估计了输入二维图像的2.5D草图,再通过2.5D草图将在三维点云域中学习到的知识转移到二维图像域。针对目标遮挡部分的不确定性和没有精确细节甚至偏离实际的问题,提出了将深层生成模型与生成对抗网络相结合的方法。该方法首先利用从特征向量中学习的高斯概率分布来预测点云。然后将预测的点云输入生成对抗网络中的判别器中,当模型的输出不现实时点云生成网络会被判别器惩罚,从而避免输出的点云模型偏离实际的问题。将提出的模型均在不同的数据集上进行实验,实验表明该方法有效的完成了高质量的三维点云重建,与现有方法相比具有很强的竞争力。