本文针对基于深度学习的三维物体建模方法开展研究,从多模态特征融合和基于多网络协同学习的角度探索提高三维模型生成精度的方法。研究了基于多视角和单视角的三维模型生成方法并提出改进措施。本课题的主要成果包括以下几个方面:针对三维模型特征提取的问题,本文提出一种基于自编码网络的改进网络,从原始的三维物体模型中重构出该目标物体的三维模型,并得到输入原始三维模型的鲁棒性特征表示。实验表明,该自编码网络取得了比较好的三维模型重构能力,也可以提取到具有较高质量的三维模型特征。针对多视角的三维模型生成精度不足的问题,本文基于多网络协同学习和多视角图像特征融合的思想,提出一种多视角三维模型生成网络,该网络利用一种按视角池化的操作实现对多视角图像特征的融合,并利用多网络协同学习的方法分两阶段训练网络参数。通过实验对比研究,该方法实现了对多视角三维模型生成任务的性能再提升。针对三维模型特征提取鲁棒性不足,以及单视图的三维模型生成精度不足的问题,本文提出一种基于多层次特征融合和多网络协同学习的单视图三维模型生成网络,该网络利用多层次特征融合和注意力机制改进和优化的三维特征提取过程,并利用多网络协同学习方法优化了网络参数。实验结果表明,该方法取得了比目前先进方法更好的性能。