人类视觉系统所拥有的一项非凡能力是:仅通过单个视图推理出物体的三维形状。即使在缺乏立体视觉或运动的几何提示情况下,人类视觉系统也能够推断出详细的表面或完整的隐藏细节。因此,理解图像的三维结构是许多计算机视觉应用的关键,三维图像比二维多出一维的信息,更能反映物体的细节纹理和空间位置信息,使得模型更加真实合理。在计算机视觉领域中,基于单视图的物体三维重建是一个长期存在且具有挑战性的研究问题,科研人员往往使用先验知识或引入合适的约束来进行物体模型的重建。随着深度学习技术的发展,其在图像处理工作中表现出了巨大的潜力,与传统方法相比,深度学习网络能够提取到二维图像的深层抽象特征,且可以进行端到端的训练。因此,研究并设计基于深度学习的三维重建网络具有深远意义。本文所做工作如下:（1）本文基于点云表示提出了一种新的网络架构来学习潜在空间中的概率分布,并提出了两种用于潜空间映射匹配的损失公式使得该分布能够从单视图中产生合理的点云输出,并且网络计算的参数量大幅度减小。在实验部分,基于Shape Net数据集,本方法的CD得分（5.55）与EMD得分（7.37）均优于经典点云生成网络PSGN。（2）本文基于单视图提出了一种新的结合注意力机制的三维重建网络,并且该网络通过加入渲染器,实现了无监督学习。该网络由三个部分组成,一部分是单视图的三维模型重建网络,另外一部分对原始的二维图像,通过CBAM注意力机制提取出更加重要的图像细节信息,该部分对生成的三维模型细节部分进行了有效补充。最后使用Soft Rasterizer渲染器,渲染出重建三维模型的二维图片,从而实现重建损失的计算。在实验部分,本文方法在Shape Net数据集上的Io U值（0.608）高于经典体素重建方法3D-R2N2得分（0.557）,并且从实验结果可以看出对物体纤细的部位（比如桌腿、扶手等）有着良好的重建效果。同时,在Pascal VOC 3D+数据集中对真实世界图像的重建也有着良好的视觉效果,说明了本网络具有很好的适用性。