三维重建的目的是从二维图像中恢复目标的三维空间结构,该技术常常被应用在自动驾驶、虚拟现实、环境感知等领域。随着深度学习的发展,通过对训练数据的有效学习,深度神经网络能够拟合二维图像与三维结构之间的映射关系,从而实现了从图像中重建目标三维模型的目的。基于深度学习的图像目标三维重建一般涉及相机参数估计、图像深度预测和目标点云求解等过程,本文的主要研究内容包括:1)构建了一组多视点变焦距的虚拟合成数据集。由于现阶段缺少以图像目标为中心且包含多样化焦距标签的数据集,本文基于ModelNet40以及Pix3D三维数据集建立了一组虚拟合成数据集,并为每张合成数据配置了准确的相机参数标签。该数据集可用于相机参数的估计和目标重建。2)提出了一个基于二次编码的相机参数估计网络。在传统编码-解码网络的基础上,将解码输出整合入一个新的编码器网络,通过融合两次编码学习结果来同步恢复相机的内外参数。该算法使用本文自建的虚拟合成数据集进行训练,实验证明,本算法在合成数据与真实数据上均取得了高质量成果。3)建立了一个基于轮廓分割的相机参数估计网络。针对输入的真实图像,提出了一种基于单张图像的三阶段相机参数估计算法,首先利用Mask R-CNN实现掩码图像粗提取,然后使用传统边缘提取算法Grabcut细化掩码边缘,再将分割结果输入到一组相机参数估计网络,实现单张输入图像的相机参数估计。算法使用Pix3D中的真实图像以及本文自建的虚拟合成数据集进行训练。实验证明,对于真实场景下的单张输入图像,本算法能够高精度恢复相机的参数信息。4)实现了一种基于相机参数的图像目标三维重建方法。在得到相机参数之后,通过相机参数能够确定当前深度图像获取时相机的拍摄位置与拍摄角度,结合图像的深度信息,可以把图像目标逆投影到三维空间中,从而得到图像目标三维点云模型。本文利用相机参数,实现了基于单张图像深度和多视点图像深度的图像目标重建,实验结果表明,该方法在图像目标高度遮挡的情况下仍然可以很好地重建图像三维目标。5)设计了一种基于深度学习的目标三维重建应用方法。以人体重建为例,研究结合相机参数估计实现基于图像的人体重建。在重构人体三维模型的过程中,对输入图像的相机参数进行预测,利用预测的相机参数对参数化的人体三维模型进行二维投影,然后通过二维投影的结果对三维输出进行损失求解,在降低计算复杂度的同时提升了三维模型的精度。同时利用本文提出的方法实现重建人体模型的肩宽、臂长、胸围、腰围等成衣定制数据的求解,实验结果表明,该系统采集的数据基本满足量体裁衣的基本要求。本文从相机成像模型出发,提出了两种基于深度学习的相机参数预测方法,通过结合多视点图像的深度信息实现了图像目标的三维重建。同时,本文将基于深度学习的图像目标三维重建方法应用于人体成衣定制数据的采集,测量的人体数据基本满足成衣定制需求。