传统的计算机图形学在生成真实感图像上遇到了很大的障碍，这里主要有两个方面的原因，首先是因为物体的表面模型很难准确获取，其次是由于绘制过程计算比较复杂。基于图像的建模和绘制方法(IBMR)直接从原始输入图像来绘制新视点图像，因而能够快速准确地生成真实感图像，但这种技术还有许多有待研究的问题，其中包括如何重建动态场景图像和有镜面反射效果的图像，如何改变图像中物体的反射特性。现有的IBMR方法不能有效地实时重建光照条件变化的动态场景图像。本文从研究图像色彩与场景光照的关系入手，提出了一种生成虚拟光照下真实感图像的方法。由于同一个物体在不同光照条件下会反射出不同的颜色，利用神经网络找到颜色的变化规律，就可以从已有的图像推断得到在不同光照下的虚拟图像。这种方法算法简单，可以生成光照条件变化的动态场景图像，与其他技术相结合，可以进一步应用于实时的动态虚拟现实中。以往提出的IBMR方法不能准确重建具有明显镜面反射效果的新视点图像。而本文通过分析视点位置与图像颜色的关系提出了基于神经网络技术来重建虚拟视点位置图像的方法，这种重建方法只要少数几幅定标图像作为输入，而且算法也比较简单，并可以准确重建具有镜面效果的真实感图像。在图像重建中经常需要对场景中物体的表面特性作出调整，以取得不同的视觉效果。本文提出了分离图像的漫反射和镜面反射能量分布的方法，并对分离出来的图像重新分配漫反射和镜面反射能量的比例，实现了基于IBMR技术改变图像中物体的表面性质和重建具有不同反射特性的虚拟视点图像。由于使用已有的神经网络技术不能适应样本稀疏情况下输入向量与样本的距离的变化，基于广义回归神经网络(GRNNs)本文提出了一种新的模型，即增量叠加模型，并应用这种模型实现了虚拟光照条件下真实感图像的重建；这种模型还可以适用于任何样本分布不均或样本稀疏的问题。采用神经网络技术本文重建了虚拟场景的真实感图像，这是对图像重建方法的一种新的尝试，也开辟了一种新的解决问题的思路，同时以这种方法实现了虚拟视点和光照变化的动态场景图像的重建。本文基于GRNNs提出的模型是对神经网络技术的补充。