目前人体三维重建方法大多采用融合目标多视角图像或视频图像的方式进行研究。这类方法通常需要昂贵的实验设备、复杂的实验场景,因此该类方法难以在实际场景中推广运用。相对而言,利用单幅图像进行人体三维重建的方法便捷高效,更利于在实际项目中使用。本文在当前基于单幅图像进行人体三维重建的方法基础之上进行优化,目的是提升输出人体模型的精度以及恢复人体在着装情况下的模型表面纹理。主要研究工作如下:（1）分析了基于单幅图像进行人体三维重建过程中存在的问题及挑战,根据所设定的目标,对当前的重建方法提出了改进与优化。具体分为:基于图卷积网络的人体三维重建以及引入拉普拉斯网格形变的模型表面纹理重建。（2）针对当前通过模型参数回归来进行人体三维重建的方法中,存在参数回归过程复杂且输出模型缺乏人体外部形状、精度不足的问题,提出了一种搭建稠密图卷积网络来进行人体三维重建的方法。首先根据目前人体特征提取不足的情况,通过使用高分辨率网络,融合网络中各支路的人体特征信息,以提升重建模型精度。接着以稠密连接的方式搭建图卷积神经网络来回归SMPL模型网格顶点的空间坐标,既避开了复杂的参数回归过程,也确保了网络各层之间的特征信息流动率达到最大。最后通过设置多任务损失函数进行监督训练,使输出模型在形状上更接近于图像中的人体,进一步提升了模型精度。（3）针对当前方法重建出的三维人体模型缺乏模型表面纹理的问题,提出了一种基于拉普拉斯网格形变进行纹理重建的方法。首先根据现有的人体网格模型分辨率低,不足以表现复杂模型表面纹理的情况,使用网格细分法对人体网格顶点及面片数量进行拓展,增加模型的精细度。接着通过神经网络从输入图像中获取人体深度信息作为补充,以增加模型表面的高频细节。最后通过拉普拉斯网格形变的方式进行表面纹理重建,以达到丰富人体模型表达能力的效果。并且通过二维关节及外部形状损失对人体重建过程进行监督,以保证输出模型的关节位置以及人体外部形状不会受到纹理重建过程的影响。实验结果表明,经过方法优化后生成的人体三维模型,在关节误差及重建误差两项评估指标上分别比先前的方法提升了3.6mm和4.2mm。表面细节更为丰富,相比于优化前的人体模型真实感强,更适于在实际场景中使用。