三维数据模型是与真实世界最为接近的数字化表达形式,随着科学与技术的发展,现今已以一定的规模在工业制造生产、城市立体建模、医疗诊断图像、虚拟增强现实等前沿领域投入应用。三维数据的表征形式有多种,如体素、深度图、网格、点云等,而点云由于其数据形式简单,却有着富有表现力、同质和紧凑的特点,成为业界应用最广泛的三维数据。随着激光扫描设备的不断更新换代,点云成为一种可以轻松获得的数据。然而在获取点云数据的过程中,不可避免的存在遮挡、扰动,环境的影响以及可能的人为干预都会导致点云的质量下降,出现稀疏、缺失等问题,因此这些实际扫描获取的点云数据往往无法与现实中的高质量物体匹配,不能直接用于模型的应用程序中。传统的点云上采样方法在点云极度稀疏的局部难以发挥作用,同时点云补全方法大多基于几何结构相对小的孔洞进行填充,而无法对大的缺失区域进行修复。为了克服传统方法的缺陷,本文基于点云稀疏和点云缺失两大问题,提出了基于深度学习的点云质量提升方法,使用大型数据库作为深度神经网络的先验信息,融合三维模型全局特点,进而生成高质量的点云数据。对于点云稀疏的问题,本文沿用PointNet的特征提取方法,构建了自动编码器结构的点云上采样网络。编码器用于提取输入点云的低维潜在向量;解码器通过低维向量进行点云三维空间坐标的预测。该网络不同于传统的上采样算法,在点云极度稀疏处亦能发挥作用。对于点云缺失问题,本文提出了基于级联生成对抗网络的点云补全算法。采用编码网络提取输入点云数据特征,在潜空间中进行生成对抗网络的训练。双级联生成对抗网络在一号GAN中生成初步修复模型映射的低维向量,二号GAN中生成最终补全点云映射的低维向量,最后依靠解码器输出补全点云模型。与目前高性能的深度学习方法横向对比,本网络更加轻量级,同时有不输于其他方法的点云补全效果。