随着三维立体技术的快速发展,三维模型数据正在成为一种重要且流行的媒体类型,并且将会是改变人们生产、生活的重要工具。但是,大多数现有的三维点云模型采集方法要么非常昂贵,要么需要依赖于扎实的专业基础。这些问题给三维模型数据的普及造成了巨大的困难。基于深度神经网络模型的三维模型合成方法让三维模型数据的大量获取成为可能。但是深度神经网络合成的数据需要解决以下问题:1)三维模型具有几何特征,模型矩阵存在多层结构,与深度神经网络模型契合有难度;2)深度网络模型合成的结果可以预想到一定存在大量噪声,所以需要良好的曲面优化方案。因此,为了让深度网络模型所合成的三维模型能够具有良好效果,解决三维模型合成方法存在的问题迫在眉睫,这两点严重影响到基于深度网络模型的三维合成模型的效果,也是现今三维模型合成方法发展中亟待解决的焦点问题。针对以上问题,本文设计了两个环节,第一个环节是基于深度网络模型合成三维点云数据,主要是通过深度神经网络模型获得;第二个环节是对合成结果的优化。在本文中我们做了以下工作:在本文中,我们提出了三维点云模型的二维图像表示方法,以弥补缺少特征的三维点云模型与深度神经网络模型工具之间的差距。为了实现这个方法,我们首先三维点云曲面网格化,再将径向曲线按角度均匀分割三维曲面,并提取每个三维曲面的径向曲线,并将曲线重新组合为一个RGB图像矩阵作为训练集,然后将经典的生成对抗网络模型应用于图像合成。最后,本文在下一阶段提出了一个将生成对抗网络模型输出图像转换成自然三维合成模型的细化过程。针对基于深度网络模型合成的三维点云模型精度低、不平滑等缺陷,本文提出了一种面向人工合成三维点云模型的梯度优化方法。针对该任何合成三维模型实验结果,在平滑的基础上利用梯度方法进一步约束曲面平滑效果。实验结果表明本文我们的方法能够生成具有不同表情的三维人脸模型,并且提出的方法能够充分优化并得到高品质的人工合成三维模型。