三维物体及场景的表示形式包括点云、体素、网格、TSDF等,其中点云作为许多传感器设备直接采集的数据形式,具有能够保留原始信息的特性,因此近年来被广泛研究。然而RGBD相机、激光雷达等设备分辨率有限,且容易受到遮挡的影响,导致采集到的点云稀疏或残缺,大大限制了它们的应用范围。点云补全任务从输入的残缺、稀疏点云出发,通过提取残缺点云的特征,并利用该特征预测点云中缺失的部分,构建出完整的、稠密的点云。该问题的研究有助于推动自动驾驶、机器人导航、三维重建等领域的发展。目前使用深度学习方法来进行点云补全的工作居多,包括基于体素的方法和基于点云的方法。大部分现有工作生成的完整点云缺失了物体的细节特征,预测结果不够均匀且具有噪声。本文提出了一种以体素作为中间表示的网络模型,该模型能够从残缺点云中生成具有更多细节的点云,并且保证点云的均匀性,还能够支持不同分辨率的输出。另外,本文探究了图像对点云补全任务的潜在帮助,致力于使残缺点云和图像各自的特征进行互补,设计了一种多模态信息融合的点云补全模型。具体而言,本文主要工作分为以下两个方面:（1）设计了基于概率化体素的点云补全模型。该模型首先预测残缺点云的尺度大小,并将点云转化为体素的表示方式。接着,通过体素概率模块预测每个体素中包含点的概率,再利用点的生成模块来定位点距离体素中心的偏移量,最后使用细化模块对点的三维坐标进行微调,得到最终的完整点云。与现有方法不同的是,该模型预测的完整点云不仅能够更好地保留物体细节,并且具有分辨率可控、空间分布十分均匀的特点。在训练过程中,本文设计了与概率化体素网络相适应的多种损失函数,这些损失函数的引入为网络的训练带来了积极效果。Shape Net数据集上的实验结果证明,本文提出的方法与目前主流方法相比,在大部分类别上的CD指标和新提出的体素交叉熵指标上都有所提升,视觉上的定性实验结果也证明了本文方法的有效性。（2）提出了多模态信息融合的点云补全模型,以探索点云和图像信息互补进行点云补全的可行性。该模型首先利用不同的编码器分别提取点云的特征信息和图像的特征信息,再利用特征融合模块将信息在网络中进行融合,最后利用解码器将融合后的信息解码为完整三维点云。我们通过对比实验证明了点云和图像多模态融合的点云补全模型,相比单一的点云补全模型和图像恢复点云模型,具有更强大的学习能力,能够预测更好的补全结果。此外,我们还对实验中输入的图像信息、特征的融合方式、投影损失函数等内容进行了更深的探讨。实验结果证明用不同于点云视角的图像可以对点云补全提供较大帮助;图像特征和点云特征的深度融合可以更好的进行特征互补;投影损失函数的引入能够帮助网络学习到更好的完整点云。