将点云重建为易于表达和操作的三角表面，是三维空间表达建模及在三维渲染、虚拟现实和增强现实等领域应用的重要基础。传统的几何表面重建方法取得了巨大的成功并在实际中得到了广泛应用，但仍然存在扩展性不强，重建质量不高的问题。随着深度学习技术的发展，采用深度学习克服表面重建中的问题成为研究热点。但目前基于深度学习的方法在重建规模和重建质量上远不能与传统的方法相比，其应用受到了极大限制。通过对传统几何方法的特征构造方式和深度学习框架的深入分析，提出将几何方法特征构造的核心概念融入到深度学习网络中，提取与表面直接相关的几何结构特征，并设计适应复杂点云的网络结构和重建流程。着重解决了深度学习方法所面临的不可扩展、无法重建几何细节和泛化性差等问题，使得深度学习方法在重建质量和重建规模上能够与传统优秀的几何方法相比，为深度学习表面重建方法未来在实际中的广泛应用提供了重要基础。研究内容和创新点具体总结如下：
　　第一，首先介绍点云表面重建问题的基本内涵和输入、输出数据的特点，提供背景知识。然后对几何表面重建算法的核心概念和常用算法进行详细的介绍，分析几何方法中的有符号距离、法向等重要的几何特征构造以及函数拟合方式，然后对深度学习重建算法框架和问题进行介绍，重点分析其网络结构和表面特征构造方面的问题，为将几何方法特征构造的核心概念融入到深度学习网络中提供思路。
　　第二，提出一种可扩展的基于深度学习的点云表面重建算法，首次解决深度学习重建算法的可扩展性问题，并极大提高了深度学习算法的重建精度和泛化性。算法使用与八叉树结构无关的网络操作对八叉树的顶点进行表面前后二分类，确保算法可扩展。提出一种一致性点云表面特征提取网络层，为八叉树的顶点构造局部几何感知特征，能够重建局部的几何细节，提高网络的重建精度和泛化性。实验表明此算法能够在很高的时间效率下为大规模的点云重建高质量的表面，并且只需要很少的训练数据即可获得很高的精度和泛化性。
　　第三，提出一种基于深度学习的德劳内三角化表面重建算法，首次将深度学习应用到德劳内三角化上，充分利用德劳内三角化自适应点云数据的特点重建大规模点云的复杂场景。算法将德劳内三角化看做标准的图模型，将点云特征聚合到图模型中得到几何特征增强的图模型，设计图滤波模块和邻域一致性损失，能够精确地预测德劳内三角化中四面体的内外标签，进而从四面体中提取三角表面。实验表明此算法能够自适应地为复杂点云重建高质量的表面，并且在不同类型的数据上拥有很好的泛化性。