当前,随着计算机科技的不断发展,尤其是可视化技术取得了突破性的进展,三维人体模型重建受到了国内外研究人员的广泛关注,并取得了一定的成果,是计算机图形学领域中的一个热点研究课题。高质量的三维人体模型在军事训练、航空航天、安全监控与影视游戏等诸多领域都具有非常可观的实用价值与广泛的应用前景。但是,由于硬件条件的约束限制,以及一些客观因素,三维人体模型重建仍然存在一些难点问题亟待解决,例如误差导致的纹理缝隙以及纹理图像不够清晰等。因此,本论文主要从三维人体模型的快速重建与表面纹理生成出发,对相关问题进行研究。本论文的主要研究内容和创新点如下:1.设计搭建了一套三维人体的快速采集重建系统。通过多视角全覆盖的相机拍摄,该系统能够在1秒钟左右完成对人体数据的采集,极大的缩短了数据采集时间,这在以往的相关工作中是无法做到的。通过对采集数据进行优化,多目注册以及表面重建等一系列处理之后,重建生成的三维人体模型具有较高的精度值,误差不超过5mm。实验结果表明,该系统能够在快速采集数据的基础上,重建出高精度的三维人体模型。2.提出了一种基于自适应迭代的无缝隙纹理缝合算法。为了在三维人体模型表面上生成高质量的纹理图像,针对纹理图像中出现的未匹配缝隙,提出自适应迭代求解策略,拓展纹理图像空间,使得纹理图像能够进行移动,从而有效消除了模型表面纹理上的缝隙。然后经过图像融合以及空白区域修复,最终在三维人体模型表面上生成无缝隙连续一致的高质量纹理图像。实验结果表明,本文算法能够有效消除模型表面纹理图像上的瑕疵。3.针对深度相机拍摄的彩色图像分辨率较低,使得三维人体模型表面上的纹理图像不够清晰,提出了一种基于图像分割分类的超分辨率算法。根据图像种类不同,其特征表示也不同的特点,将图像进行分割分类,然后使用不同类别的字典进行稀疏表示,完成超分辨率重建。实验结果表明,本文算法重建的高分辨率图像能够修复更多的高频信息与局部细节,在视觉效果与定量分析两个方面都具有一定的优越性,算法重建后的纹理图像也具有更好的视觉效果。4.为了提高三维人体模型表面上的纹理图像质量,提出了一种基于首尾两端LISTA（Learned Iterative Shrinkage and Thresholding Algorithm）稀疏编码的图像超分辨率算法。构建两个LISTA网络结构分别对高分辨率图像与低分辨率图像进行学习,获取各自对应的稀疏编码,然后构造单层卷积神经网络对两个稀疏编码之间的非线性映射关系进行学习,最后将上述网络结构相互连接起来,构造一个完整的深度学习网络。实验结果表明,本文算法重建的高分辨率图像在视觉效果与定量分析两个方面都具有一定的优越性,算法重建后的纹理图像也具有更好的视觉效果。