自?五世纪照相机被发明以来,人们一直热衷于将喜爱的照片作为装饰品或馈赠品。随着科技的发展,照片的形式也在不断地改变:从最初的黑白相片,到彩色相片,再到近?几年流行的电子相框,照片的表现能力愈发强大,但始终停留在二维平面上。随着计算机视觉技术的发展,计算机3D建模技术以其更加直观的视觉体验和更加丰富的表达能力逐渐成为计算机视觉、计算机图形学领域的热门研究课题,因此“3D照相馆”也成为了一个比较热门的应用领域。尤其是随着3D打印技术变得廉价与流行起来,使得三维实体形式的照片成为可能。其中,三维头像重建具有很重要的研究意义和实际价值。但是,直接从二维图像重建得到三维头像是较为困难的,主要原因就是当前的头部数据集精度不高,因此无法精确地表现脸部区域的纹理和几何变化,而人脸区域是用来区别不同三维头像模型的重要标准。而与头部数据集不同的是,近年来,许多研究者提出了许多精度较高的人脸数据集。因此,本文首先使用基于图像的人脸重建算法重建得到对应的3D人脸模型,然后将3D人脸模型贴合到已有的3D头部模版中,生成最终的3D头像模型。本文完成的工作主要包含以下几个方面:（1）针对传统的多图像三维人脸重建算法无法充分利用不同视角图片之间的信息,以及优化步骤繁琐问题,本文提出了基于深度学习的多图像人脸重建算法。该方法通过可学习的融合模块从而让网络可以充分利用不同视角图像之间的信息,并且设计了感知损失等其他损失函数从而帮助网络更好地进行学习,得到一个鲁棒的重建网络。最终,本文设计的多图像重建算法,改进了传统多图像人脸重建算法在重建框架和优化方式上的缺陷,超过了已有的基于深度学习的多图像人脸重建算法,提高三维人脸模型的重建精度,也为后续的单图像重建算法的性能改进提供了依据。ii（2）针对现有单图像重建算法缺少多视角图像提供可靠的几何约束,因此会导致重建的歧义性问题,本文提出了一个新的单图像重建网络训练-测试框架。首先,本文选择的重建网络依旧是单图像重建网络。在训练阶段,和现有的单图像重建网络训练方式不同的是,本文将成对图像输入到单图像重建网络,通过多视角几何一致性和生成对抗模块,让单图像重建网络可以学习到不同视角图像之间的互补信息并消除不同视角图像重建带来的差异性问题。这种多视角图像的训练方式,可以有效提高单图像重建网络的学习效果,因此在测试阶段,虽然输入依旧是单张图像,但是可以重建得到精度较高的三维人脸模型。本章提出的单图像重建网络训练-测试框架,可以明显提高现有的基于深度学习的单图像重建算法的精度,使其重建精度逼近基于深度学习的多图像重建算法。（3）本文设计并实现了基于图像的3D头像生成系统。本文设计的生成系统包含多图像人脸重建,单图像人脸重建和3D头像生成模块。该系统可以接受用户输入的人脸图像,最终让用户不仅仅能获取到三维人脸模型,还可以获取到对应的三维头像模型,并应用到三维打印这个领域。本文最后设计的三维头像生成系统使得本文提出的基于图像的人脸重建算法被应用到实际,拓展了人脸重建的算法的应用前景。