三维重建一直是计算机视觉研究的主要方向之一，而如何从单幅图像重建得到三维模型更是学者们一直探索的问题。针对该问题，最理想的目标是能够模拟人的视觉感受，从看到的单幅RGB图像中进行联想，依靠一生中获得的先验知识来进行推断，得到合适的三维模型。而随着深度学习的应用发展以及三维CAD数据集的不断完善，基于深度学习的三维重建方法也取得了突破性进展。针对深度学习三维重建中存在的二维特征提取、特征转换等问题，本文从编码器、转码器、解码器三个部分进行改进，提出了多尺度特征提取和RNN整合的解决方案，同时提出边向量损失函数完善三维重建损失的判定，最终得到了更好的重建结果。
　　首先，对于单图三维重建，最重要的是如何有效的提取二维图像的特征。为了解决该问题，本文分析现有深度学习三维重建框架，以编码器-解码器网络为基础结构，设计基于多尺度的三维重建网络，使用多尺度卷积神经网络作为二维特征提取模块以获取更多的二维图像细节特征。然后通过实验对初始设计的多尺度三维重建网络进行分析，对于出现的多尺度特征整合问题，本文又提出了基于RNN改进的三维重建网络，利用RNN网络的保留和遗忘的特性进行特征矩阵整合。为了更好的对三维网格数据的重建效果进行损失判定及反向传播，本文对边向量损失进行考虑，提出EdgeVector损失函数，实现三维网格点、边、面的三方面误差判定。
　　最后，使用TensorFlow框架开发，在公共的ShapeNet数据集下对本文设计的三维重建网络进行训练。通过与现有3D-R2N2、PSGNet及Pixel2Mesh等三维重建网络在CD距离、F-Score值和IoU值三个标准下的对比，证明本文对飞机、柜子、汽车、显示器等大多数模型均能实现更好的三维重建效果。