如何从单幅图像重建出被拍摄物体的几何形状是计算机视觉领域中充满挑战的问题。使用该技术对时尚服装进行三维重建是近期学术界较为热门的研究主题。目前学术界已有基于物理建模、基于剪影、单视图/多视图几何重建、基于深度图像、基于深度学习技术等方式的人体三维重建的工作,然而这些工作是将人体和服装用统一的网格进行表达,并且重建出的结果大量丢失服装的细节信息,例如褶皱和纹理。因而,为了解决这一问题,本文提出了目前学术界中最大规模的真实服装三维数据集Fashion3D以及一个端到端的基于单幅图像的服装三维重建基准算法3DFashion Net。围绕这一主题,本文的主要研究工作如下:(1)针对单幅图像三维重建技术,因问题本身与多视图几何重建算法差异较大,是一个病态且解空间非闭合问题,三维数据的表达方式有体素、点云、网格(参数化网格)、多视图图像等多种形式。本文详细分析图卷积网络的理论原理,利用图卷积网络对参数化模板网格做形变操作,有效的解决了二维图像与三维网格模型之间的映射关系。(2)针对服装三维重建问题,本文借鉴SMPL人体参数化建模的思路,采用局部切割与形变SMPL的方式对服装表面进行参数化建模。提出了全新的特征线拟合概念,可以高质量的完成服装网格的生成,对输入图像中的服装几何细节做出最优近似。基于这些创新点,本文提出了一个多阶段的服装三维重建基准神经网络3DFashion Net,可以直接重建出单幅图像中的服装模型。(3)当前学术界中基于深度学习的工作是依靠数据驱动方式展开的,可以直接供算法使用且拥有详细标注信息的数据集是深度学习工作中最为重要的资源,缺少数据集将无法开展相应的工作。因而本文制作了一个目前学术界最大规模的真实服装三维数据集Fashion3D,包含563件服装,10个类别,2078个稠密点云模型,每一个模型都拥有相应的详细标注信息,包括对应的多视角图像、服装姿态参数和特征线标注,这对于今后学术界开展服装主题相关工作做出了一定的基础性贡献。综上所述,结合本文提出的数据集与算法,可以高效地将单幅图片中的衣服部分重建出高质量的三维网格模型,与其他同类算法相比也有很好的效果。