从单张RGB图像重建三维物体和估计位姿一直是计算机视觉和计算机图形学领域长期存在并受到广泛关注的研究问题。三维重建的目标是要实现高精度三维物体重建,实现对物体细节的形状和结构的恢复和生成。而目标位姿估计的目的是检测目标并估计其相对于给定帧的方向和平移量。精确的三维重建和姿态估计对于虚拟或增强现实、自动驾驶和机器人操纵等多种应用都是必不可少的。当前三维重建技术由于受到表达方式或者计算资源的限制,无法同时得到快速而且高分辨率的重构模型。对于位姿估计,由于存在物体形状和纹理变化,重度遮挡或截断,传感器噪声和变化的光照条件等影响,也会出现姿势估计不够精确和鲁棒的问题。在本文中,我们用一个生成点云的重建网络和基于关键点回归对应关系的估计网络为例,研究在给定输入RGB图像的情况下生成准确的三维形状的姿态估计。对于三维重建,我们提出了一种级联点云生成网络,以通过构建相邻点的几何关系来解决点之间缺乏连接的问题。我们使用粗糙形状生成和形状细化两个级联阶段生成基于点的表面。此外,对于姿态估计,我们介绍了一个关键点和边向量联合预测的位姿预测网络。我们首先通过逐像素投票产生关键点,然后通过融合点与边的几何信息,以约束关键点的离群值。我们提出的两种方法,都采用构造点与点之间的几何关系的方法,并充分利用点的隐藏几何信息来修剪离群值。另外,在训练方法上,我们都使用从粗到精的方法将复杂的预测问题分解为多阶段连续优化问题。实验证明,我们的方法具有可拓展性和灵活性。通过在三维重建和位姿估计的公开基准数据集上定量和定性分析,证明我们的方法实现了两个任务上的最先进的性能。