高精度的个性化三维人体是虚拟试衣、量身定制、在线服装销售以及体型健康评估与分析等诸多领域的数据基础。以往获取三维人体的主要手段有两种,其一是通过三维人体扫描来得到高精度的三维人体模型,其二是通过数据驱动模板人体进行变形来得到人体的个性化三维人体模型。但是对于个性化的三维人体生成而言,前者存在操作复杂、耗时较长的问题,而后者则无法生成较为精准的目标三维人体。因此本文提出利用二值图像进行三维人体重建,简化了输入,利用了卷积神经网络进行人体重建,改进了以往工作操作复杂、耗时较长且结果较差的问题,达到了以最小的输入快速地对三维人体进行重建的目的。为了达到该目的,本文提出了一种输入最少量单视角或多视角的人体二值图像就能对人体进行精准重建的新方法。该方法首先利用主成分分析法与编码解码法对人体进行编码得到了人体的低维形状描述子,随后提取了人体不同视图的二值图像。最后,本文构建了一个新的深度卷积神经回归网络,该网络以密集网络为基础,拥有两个分支,分别用于提取不同人体视图的相关特征,将分支特征融合后,通过联合训练学习一个从输入到形状描述子的全局映射,最终对形状描述子进行解码得到点云并以标准姿势完成了对人体重建。实验结果表明,本文构建的人体重建网络可成功地通过输入人体的二值图像精准地得到人体的三维形状。与现有的人体重建技术相比,本文的提出的是最便捷的重建算法之一,无需用户脱衣扫描,只需用户拍摄两张照片,且重建精度良好。进一步的研究表明,权重共享的网络的预测结果优于权重不共享的网络的预测结果,人体双视图的预测结果优于人体单视图的预测结果。在本文的实验条件下,利用阈值变换法得到的人体二值掩码图像的预测结果优于人体二值轮廓图像,利用主成分分析法编码的预测结果优于利用编码解码器编码的预测结果。