近年来,三维数据凭借其丰富的信息量逐渐成为计算机视觉领域的热门研究对象。在众多三维数据表现形式中,点云凭借其便捷性、高效性和灵活性等优势,成为最受欢迎的三维数据载体,关于点云的研究与应用如点云分类、分割近两年发展迅速。然而光学三维测量仪器采集到的原始点云因受单一测量角度限制,存在重要部分结构缺失的问题,例如底部和背部。这种点云被称为为单视角点云。点云结构缺损给后续的研究与应用带来很大的不便,因此单视角点云补全工作具有重要意义。本文针对单视角点云补全问题进行了深入分析,根据原始点云质量将该问题分为两种应用场景,分别基于现有方法存在的问题有针对性地进行改进,提出了两种有效的单视角点云补全方法。本文主要研究工作与创新点如下:（1）针对可靠性高的单视角点云（如室内测量的单视角点云）,提出一种侧重于保留单视角点云个性特征以及改善点云局部细节的三阶段点云补全神经网络（TSGN）。该网络将点云补全任务分解为三个子任务,从粗糙到精细、从稀疏到密集地逐步完善点云数据,最终得到密集且精细的完整点云。将单视角点云作为输入,第一阶段通过点云编码解码器将单视角点云转化为具备完整几何形状的粗糙稀疏点云。第二阶段通过双通道残差网络优化第一阶段输出的初始结果,更大程度地保留单视角点云个性特征。第三阶段通过基于局部特征的折叠网络将第二阶段输出的稀疏点云扩展成密集点云。在Shape Net数据集和KITTI数据集上的实验验证了该算法的有效性。（2）针对可靠性低的单视角点云（如室外测量的单视角点云）,提出一种结合检索匹配与深度学习的点云补全方法（RPCN）。室外采集的原始点云不仅结构缺失还存在稀疏和有噪声问题,而经典的多层感知器点云编码网络难以从稀疏有噪声残缺点云中提取有效的特征信息。将低可靠度单视角点云作为输入,RPCN首先利用基于最多保真点的检索匹配方法从数据库中检索出与输入点云最相似的完整点云模型作为初步结果。初步结果与输入点云形状不完全一致。RPCN再利用深度学习方法优化初步结果,使之更加贴合对象物体的几何特征,同时避免了传统的点云优化方法耗时长的问题。另外,通过结合点云高维特征与低维特征的多维度降噪模块,剔除输入点云中部分噪声点,从而更好地从有噪声残缺点云提取有效特征信息。在Shape Net数据集和KITTI数据集上的实验验证了RPCN可以有效补全稀疏有噪声残缺点云。其运行速度也优于传统的检索匹配方法。