近年来随着深度学习的发展,人体三维重建工作在神经网络的支持下,成为了新的研究热门,并涌现出了许多基于深度网络的方法,但这些人体重建工作往往要求在没有遮挡物的情况下对人体进行重建。然而,在现实生活中,由于人与物体的频繁交互运动,人被各种物体遮挡的情况是随处可见且不可避免的。当人体出现被遮挡的情况时,现有的方法往往不能够得到令人满意的重建结果。针对这个问题,本文提出了针对遮挡人体重建鲁棒性较好的基于多尺度注意力的单幅图人体重建算法和进一步提升姿势精度的关节约束下基于条件GAN的人体重建改进算法。全文主要包括以下三个部分:1)对人体三维重建工作近年来的发展情况进行调研。通过分类介绍各类人体重建算法的优缺点,并根据现有人体重建工作的局限性,提出了本文方法的主要目标。2)针对现有的单幅图人体重建算法在目标人体出现遮挡情况时,特征提取网络受遮挡信息影响无法正确识别出图像中的人体信息,导致模型预测的鲁棒性差问题,本文提出基于多尺度注意力的单幅图人体三维重建算法。利用不同尺度的特征获取更多的上下文信息,并将它们融合得到包含更多的人体信息的融合特征。同时利用注意力机制的特点,通过将注意力图作用在网络提取的特征上,来引导网络更加关注与人体相关的图像信息,增加网络对遮挡人体的识别能力,增强人体重建的鲁棒性。本文的实验结果表明,该方法具有更加准确的人体重建效果。3)针对上述方法因为缺乏对身体局部细节的详细描述而导致的重建模型姿势不准确的问题,提出了基于条件GAN网络的人体重建改进算法。本方法利用网络生成的关节热图作为人体部位的精确描述,并通过增加条件判别器,将各关节热图中的2D关节信息作为条件判别器的条件信息,以此约束模型生成网络向满足人体关节条件的方向进行训练。从而使模型生成网络能够利用关于人体关节配置的几何先验来生成更加准确的人体模型。最终实验证明,本方法从遮挡图像中获得了更加合理和准确的人体姿势,有效地提高了整体模型的精确度。