随着三维扫描技术的提高,人们可以在短时间内从物体表面获取大量的点数据,即点云。但由于遮挡、光照、拍摄环境以及物体形状复杂性等影响,扫描得到的点云数据通常是稀疏、不完整的。点云模型作为三维物体的点数据表示,传统的修复方法因受到形状的缺失位置、强假设等影响只能实现小面积的孔洞修复,对于大面积的形状缺失却无能为力。最近,直到PointNet的提出,一些学者开始尝试使用深度学习的方法对点云模型进行修复和细化（上采样）,但这些工作更多倾向于生成物体的整体形状,忽略了局部的微小细节。此外,当模型结构过于复杂时,稀疏的点云模型由于点数过少无法呈现具体的细节,对其进行渲染和分析往往不能得到较好的效果。总的来说,使用上述点云数据进行点云分类、分割与重建通常不能得到预期的结果。针对上述问题,本文探索了基于深度学习的三维点云模型修复和细化任务,提出了相应的改进算法,主要工作可以概括如下:（1）提出了一个具有形状感知的三维点云模型修复网络。首先,在局部特征的提取过程中,借助边缘检测的思想设计了一个具有形状感知的卷积操作（Shape-aware Convolution,SAC）,它通过可学习的方向向量能够有效地识别并提取局部的几何形状特征。其次,在点云的重建过程中,该网络还借助SAC和局部自注意力机制对局部的几何结构进行优化。最后,通过实验证明了该方法生成的点云模型要优于其他修复方法,同时网络也具有较好的稳定性和鲁棒性。（2）提出了一个基于生成对抗网络的三维点云模型上采样网络,该网络以稀疏的点云面片为输入,可输出点分布均匀的稠密面片。在生成器中,首先利用频域分解将点云划分为表示轮廓的尖锐点集和表示平面的平滑点集,然后使用两组相互独立的卷积单元提取各自的特征,最后通过注意力机制融合两者互补的几何语义特征。此外,还构建了一个联合损失函数来鼓励生成器产生真实、点分布均匀的稠密点云。最终,实验结果也证明了该上采样网络的有效性。