三维人体重建是指在虚拟场景中利用计算机创建人的虚拟模型，近年来已成为计算机视觉和计算机图形学研究热点问题。利用多样的输入方式，不同的技术路线，已有很多研究成果取得了很好的效果。其中，利用深度神经网络，从RGB图片重建人体是常用方法。通过图片或者视频，我们可以实时获取到目标人体的重建模型，但是在人体体态和姿势的准确性上仍有很大的提升空间。
　　传统三维人体重建技术把重建人体解耦成体态重建和姿势重建两个子任务。为了更好的提升这两个子任务的精度，本文利用合成深度数据重建三维人体。不同于传统的RGB图片，深度图像每个像素记录着物体与相机的距离。对于人体体态和姿势估计这样对空间距离敏感的任务，深度图片更适合作为原始数据。但是利用深度学习来进行重建学习需要大量的人体深度图片数据，目前还没有公开的数据集可供使用。本文利用计算机图形学的渲染技术，自动合成海量的人体深度图片数据，通过深度神经网络的训练获得一个快速准确的三维人体重建模型。
　　本文首先阐明三维人体重建研究的内容和难点，接着研究分析了当前三维人体重建的几类方法。然后，本文应用Kinect实现一种基于传统迭代的人体重建方法，通过深度图片获取、点云预处理、点云对齐、求解拟合方程等步骤能够精确地进行人体重建。传统迭代的方法虽然有很高的重建精度，但是深度图预处理复杂、迭代求解次数过多，时间开销较大，导致其不能满足实时性应用场景的需求。为了能快速精确地进行三维人体重建，本文利用神经网络强大的学习能力与快速推断能力，提出一种基于深度学习的三维人体重建方法。本文合成大量深度图训练数据来支撑网络的学习，设计了推断SMPL模型人体参数的神经网络模型，在关节点监督、人体参数监督等常用监督信息上又设计了一种基于人体掩膜的监督方式来提高网络推断的精度。最后对目前三维人体重建技术进行总结展望。