文物是社会发展过程中古代人民创造的遗物,这些遗迹为当代研究古代人类生活习俗、社会状况、工艺水平等奠定基础,也是现代还原历史真相的有力依据。但是,随着环境改变与时代更迭,文物受自然和人为等因素的影响,许多珍贵的历史遗产遭受不同程度地破坏。计算机辅助文物虚拟复原可在大幅缩短复原时间的同时避免对文物的二次破坏,因而成为计算机图形学的重要研究方向。然而,部分文物破损严重、显著特征缺失导致虚拟复原方法在实际应用中仍存在一些问题和挑战。例如,普通神经网络无法有效处理文物特征的模糊性,导致文物碎片分类性能较差;基于多特征的碎片匹配算法未考虑文物破损的影响,存在误匹配现象等。针对上述问题,本文主要研究内容如下:(1)针对文物碎片分类过程中因特征缺失而导致PointNet网络分类精度较低的问题,将直觉模糊理论与PointNet网络相结合,提出了一种基于PointNet的文物碎片分类算法。根据直觉模糊理论为PointNet构建了模糊化层及去模糊化层,降低了原始数据模糊性的影响。同时采用多尺度空间球提取点云数据的局部特征,减少了PointNet中局部特征缺失对分类性能的影响。实验结果表明,该方法在一定程度上改善了破损文物分类精度较低的问题。(2)针对碎片匹配过程中因文物缺损而导致的误匹配现象,提出了一种基于直觉模糊混合优化的多特征匹配模型。通过历史碎片数据构建判别矩阵,利用三分法对碎片的轮廓线、厚度、曲率和旋转投影二进制描述符等特征模糊化并构造特征矩阵,根据赋权直觉模糊相似度度量及差分进化算法建立直觉模糊多特征匹配模型,最终完成文物碎片断裂面的识别。实验结果表明该方法减少了误匹配现象的发生。(3)针对直觉模糊多特征匹配模型中差分进化算法控制参数设置繁琐、易陷入局部最优的问题,提出了一种基于学习潜能的自适应参数差分进化算法。根据班德文效应设计挖掘个体学习潜能的策略,并通过个体学习潜能构造了交叉因子与变异因子的自适应变换,以改进固定参数的局限性;同时考虑时间因素对个体的影响,融合时间因素与学习潜能改进了选择操作提升算法的搜索能力。测试函数上的实验表明了该方法的有效性和可行性。