计算机视觉领域有一个长期存在的经典任务是三维重建,三维重建是恢复环境中物体的三维信息,被广泛应用于三维物体分类、机器人自主避障、增强现实、虚拟现实等应用上。近年来,随着计算机计算能力的不断提高,深度学习在二维图像任务上取得举世瞩目的成果,许多研究人员将目光投向了基于深度学习的物体三维重建。与传统算法的三维重建相比,深度学习利用大量的数据集学习二维图像到三维模型之间的映射关系,不需要复杂的相机标定过程。因此,利用深度学习从二维图像到三维模型的重建具有巨大的实际意义。本文采用深度学习方法,研究了移动机器人所处环境中物体的三维重建,主要完成了以下内容:首先,提出了一种基于卷积的图像分割网络,它主要包括图像编码器和图像解码器。其中图像编码器是基于残差网络来对图像提取特征,图像解码器融合图像编码器每层卷积获得特征图,再进行卷积操作,获得分割图像。其次,提出了基于图像的三维点云重建网络,该网络分为两种:一种为基于多视图的三维点云重建网络,另外一种为基于单视图的三维点云重建网络。多视图重建网络中的点云生成模块是一个基于特征分层的金字塔生成网络。单视图重建网络是一个潜在空间的点云特征与图像特征匹配的网络。分别在Shape Net数据集上进行了测试,评估三维点云的重建效果。最后,在移动机器人上对基于卷积的图像分割网络、基于多视图的三维点云重建网络和基于单视图的三维点云重建网络这三个网络进行了实验。移动机器人采集图像,图像分割网络和按位与运算提取图像中的前景目标,重建网络完成物体的三维点云重建。