随着计算机视觉技术的不断发展,三维重建已经成为该领域的研究热点,其主要任务是从二维图像中恢复出三维信息。在自动驾驶、工业测量以及人机交互领域有着广泛的应用。其中,结构光三维测量技术以非接触、高精度等优点成为三维重建领域的重要方法。深度学习在计算机视觉领域的迅猛发展,使得基于深度学习的视觉任务成为了当下研究的热点。本文以单目结构光测量技术为基础,结合深度学习中的卷积神经网络方法,进行单目结构光三维重建方面的研究。本文首先在基于单目结构光测量技术的基础上,详细介绍了相位解调、相位展开以及三维重建的过程。提出仅利用单幅条纹光栅,通过神经网络预测包裹相位;并通过神经网络预测深度图,再由深度图求解条纹级数的方法。其次,针对所提出的密集型预测任务,设计了相应的编码器-解码器网络,编码器为改进的Dense Net-169网络的截断模型,解码器为包含跳跃连接的双线性上采样结构。设计了相应的损失函数,包括像素值估计损失、图像梯度损失以及图像结构相似度损失。然后,通过传统结构光法进行条纹光栅-包裹相位数据集以及条纹光栅-深度图数据集的制作,将相应的数据集在设计好的编码器-解码器模型中进行训练,得到训练模型。并利用实验证明了通过神经网络预测包裹相位以及条纹级数的可行性。最后,本文在理论分析的基础上,搭建了单目结构光实验系统。对比分析了基于传统三频四步方法以及基于深度学习方法的结构光三维重建精度,证明了本文方法的有效性。