我国目前共有1445种鸟类[1],其中不乏像白鹮、丹顶鹤等濒危物种。由于鸟类动作比较灵活,对鸟类影像资料的收集大多是通过相机进行拍照,这大大限制了鸟类教育宣传、保护和行为研究的工作开展。三维重建技术可以给上述工作提供强有力的帮助,它是指通过一定方式获取物体三维形状,从而可以更加直观的从各个视角对物体进行观察。常采用的三维重建方式包括,CAD建模和激光建模等。但这些方式存在一定的局限性,比如建模软件的专业门槛、需要被扫描对象配合且扫描时间长、扫描仪购置成本高等。近年来,随着计算机技术的发展,研究人员开始将计算机视觉技术应用于物体三维重建中,并在医学成像[2]和自动驾驶[3]等领域取得了巨大成功。这些方法一般通过物体二维图像恢复其三维形状,对给定图像的数量和质量有比较严苛的要求,如多张输入图像、背景单一、物体清晰可见等,而鸟类图像一般都是野外拍摄,干扰因素多。此外,这些方法对待重建物体形状也有一定要求,对于像鸟类这样形变程度大的物体,现有方法难以取得令人满意的重建结果。最后,现有大多数方法在模型优化时,需要给定物体真实三维形状来约束模型优化过程（即强监督学习）,而对于鸟类,其真实三维形状是未知的,并不能满足这个要求。针对以上问题和挑战,本文以鸟类为研究对象,构建基于弱监督学习的单视角鸟类三维重建方案。本文主要研究内容如下:·针对鸟类三维重建网络编码器的改进:通过一种全新的数据增强方法和在编码阶段引入侧旁约束使网络模型在编码阶段更加关注目标物体的形状信息。同时设计一种特征融合方法,将不同尺度特征进行融合,预测重建精度更高的鸟类三维形状。·针对鸟类三维重建网络解码器和损失函数的改进:通过分析鸟类数据集的特点,本文发现不同种类的鸟类差异非常大。即使是同一种鸟类,处于非张翅和张翅状态下的差异也十分明显。因此,本文通过设计一个基于级联结构的形变预测器,逐步预测形变结果。此外,本文还提出一种自适应损失函数,根据可视关键点的位置生成边约束,保障弱监督信号下的模型优化过程。·针对数据集长尾问题的改进:通过分析鸟类数据集数据分布特点,本文发现张翅和非张翅两种状态下的鸟类数据极度不均衡。为了提高模型对处于张翅状态下鸟类数据的重建精度,本文设计一种基于薄板样条插值的数据扩充技术,使数据集中两种状态下的鸟类数据量平衡。