三维人体形状补全是计算几何分析和计算机视觉中的一个重要问题,随着三维形状捕获设备的发展,三维形状数据变得易于获取,但由于设备精度等因素的限制,得到的形状往往是破损的。在计算机动画设计过程中,若可以对破损的人体形状进行快速补全,则可以基于现实人体形状进行快速建模;同时,快速补全人体形状可以让自主无人系统以更高的精度感知人类的存在,提升人机协同效率。传统过程化补全方法依赖手工建立的几何和概率模型对破损形状的缺失部分进行重建,其设计过程耗时,且每个算法的适用范围较为有限;相比而言,数据驱动方法通过从形状数据的分布规律中学习数学模型和其参数实现补全,其设计步骤简单快速,且具有较强的泛化性能。现有数据驱动的人体形状补全方法虽然能给出较好的补全结果,但其需要引入体型完全相同的完整人体形状作为辅助输入,或需要引入点级配准信息和耗时的搜索过程,这限制了其应用范围和性能。本论文在数据驱动方法的框架下研究并提出新的人体形状补全方法,利用大量人体形状数据训练神经网络模型提取人体形状的体型和姿势特征以实现从破损形状输入到补全结果输出端到端的形状补全,论文主要工作如下:1)本论文提出了一种基于给定姿势信息的人体形状补全方法。该方法通过两个特征提取神经网络分别从破损人体形状和骨架关节点坐标中提取体型特征和姿势特征,然后通过一个合成神经网络合成补全结果;当骨架关节点缺失时,有效的姿势特征还可以通过采样来随机生成。2)为进一步从破损形状中直接推理姿势特征而不用人为给定,本论文提出了一种基于特征解耦学习的人体形状补全方法。该方法通过在线数据增强和骨向量约束策略训练两个神经网络分别提取和还原破损形状的体型和姿势特征;并利用一个合成神经网络合成补全结果。3)为使上述方法更准确地从破损形状中还原姿势特征,本论文提出了一种可嵌入上述方法的二阶段破损人体形状骨向量还原方法。该方法先从破损人体形状中提取存在的骨向量,再利用人体骨架的骨向量间关系估计缺失的骨向量,最后根据骨向量在破损形状中的存在性将两组骨向量合成最终还原的骨向量。实验结果表明,基于给定姿势信息的人体形状补全方法不仅可以给出符合输入姿势信息的补全结果,而且可以给出姿势随机的补全结果;基于特征解耦学习的人体形状补全方法可以端到端地给出比现有方法准确的补全结果,而嵌入二阶段骨向量还原方法后,该方法给出结果的准确度得以进一步提升。这些方法为数据驱动三维人体形状补全问题提供了新的解决思路。