近年来,随着传感器技术和深度学习的快速发展,三维点云被应用在越来越多的视觉任务中。从传感器上获得的原始三维点云往往是稀疏、不完整且带有许多噪声的,这会严重影响后续任务的性能,因此对稀疏点云进行超分辨率重构以及针对不完整区域进行修补是急需解决的重要课题之一。尽管目前基于深度学习的点云超分辨率重构和点云补全算法已经取得了许多成果,然而这些方法仍存在一些问题。首先,目前的点云超分辨率重构算法无法在超分辨率重构的同时对点云中的缺陷进行修补,这限制了这些算法的应用。其次,点云超分辨率重构网络都是有监督的,然而真实数据的稠密标签制作成本极高。最后,现有的点云补全算法使用全局表示向量补全残缺点云,这虽然能够在整体上补全点云,但是会导致点云的几何细节损失。本文针对点云超分辨率重构与修补中的上述问题,主要研究了如下工作:（1）提出了一个在进行点云超分辨率重构的同时进行点云修补的端到端深度网络（PUI-Net）。在网络结构上,引入了通道注意力机制和非局部的思想分别提出了一个卷积注意力单元和非局部增广单元。另外,还构建了一个全新的修补损失函数来约束网络,使得网络能够在超分辨率重构的同时对残缺区域进行修补。在多个公开数据集上的定性和定量实验证明,比起现有的点云超分辨率重构方法,PUI-Net在对稀疏且残缺的点云进行上采样和修补时能够取得最佳的性能。（2）设计了一个自监督点云超分辨率重构网络（SPU-Net）。该网络的关键是利用稀疏的输入点云和稠密的输出点云在多视角渲染图像上的一致性作为监督信号训练网络。首先提出了一个邻域增广单元,该单元利用稀疏点云的局部几何结构学习插值权重,进行特征增广。其次,提出了一个可微点云渲染单元将输入和输出点云渲染为多视角下的图像。最后,构建了一个形状一致性损失函数和图像一致性损失函数约束网络,使得超分辨率重构后的稠密点云和稀疏点云形状上一致。多个数据集上定性和定量的实验证明,该方法在无监督的点云超分辨率重构方法中能获得最佳的效果。（3）提出了一个基于自适应骨架提取的点云补全网络。具体来说,针对现有的方法会丢失输入中的几何细节的问题,本方法将输入点云和粗糙补全点云拼接在一起,然后使用自适应骨架提取单元选取骨架点云。最后通过增广操作将骨架点云特征图增广为稠密特征图并重构成点云。自适应骨架提取单元根据输入点云的局部特征为每个点计算一个置信度,并选取置信度较高的若干个点为骨架点云。在多个公开数据集上定性和定量的实验证明,本方法比起主流的点云补全方法展现出了更好的补全性能。