基于图像的三维重建算法在计算机图形学和视觉相关的各项任务中,例如自动驾驶,虚拟现实以及增强现实等,都发挥着十分重要的基础性作用。长期以来,传统算法主要利用基于多视图几何的立体对应实现三维重建,然而这类算法的重建结果往往受限于输入图片对于视角的覆盖范围。而随着深度学习技术的飞速发展,从单张图片重建目标物体的三维模型这一具有挑战性的任务具有了可行性。最近一系列基于深度学习的三维重建算法被提出,其中目标物体的三维模型可用体素,点云或者表面网格去近似建模。基于点云的三维表征方式避免了体素表达引入的方格量化误差。而表面网格进一步引入了局部领域点之间的连接关系,实现了对连续的物体表面的分段平面近似,可以表征更丰富的几何细节。因此,在本文中,我们着力于从单张图片中重建物体的三维表面网格。我们首先设计了一种从单张图片重建三维模型表面网格的通用深度网络模型,即残差网格网络。与现有的基于深度学习的三维重建算法相比,我们的方法具有以下特点:（1）基于残差网络的深度网格形变,其中一个给定的初始化表面网格经由多个残差连接的形变模块不断地逼近目标物体的表面流形,逐步减小残差并细化重建结果;（2）一种度量重建网格表面上采样点与真实点云最近邻距离的新型目标函数,优化该目标函数可促进重建的表面网格与真实点云的完全匹配。然而,针对具有复杂拓扑的三维物体,仅依靠对初始化表面网格做形变无法恢复正确的拓扑。为此,我们又针对性地提出了首个可以端到端从单张图片重建具有复杂拓扑的表面网格的拓扑修正网络。该方案的关键在于不断交替网格形变与拓扑修正的渐进成形框架。其中网格形变模块通过预测网格顶点的位移不断减小重建表面网格与真值之间的距离,而新型的拓扑修正模块通过删减重建误差较大的三角面片的连接,实现拓扑的演化。通过对这两个过程的迭代,可以在不断修正网格拓扑的同时提高重建精度。在大规模公开数据集上的实验证明了,我们的算法在数值和可视化上结果上都优于当前的其他方案,特别是针对具有复杂拓扑的三维模型的重建。