古代文物具有丰富的文化内涵,由于自然灾害或人为因素,出土文物存在不同程度的缺损,影响了虚拟展示等后续工作。随着三维激光扫描技术的发展,三维数字化修复成为文物虚拟化修复领域的挑战性问题,对重现文物全貌具有重要意义。然而,为了提高修复效率首先会压缩文物模型,导致部分特征丢失。此外,复原的三维文物表面缺乏颜色纹理的信息。因此本文应用深度学习技术,分别从三维和二维的角度修复表面几何特征和纹理信息。主要研究进展如下:（1）针对三维文物结构性修复问题,搭建基于多尺度点云上采样生成对抗网络（Multi-scale Upsampling Generative Adversarial Network,MU-GAN）的三维模型孔洞修补网络。采取增加点数的上采样思想修补孔洞。利用所提出的深度学习网络得到修补的多尺度上采样点云数据,提取修复后多尺度点云模型中的孔洞区域并合并,将孔洞补丁和原始模型融合获得最终的三维模型修复结果。实验结果表明,上采样过程能够生成均匀且密集的点云模型,并能够较好地和孔洞邻域融合。（2）针对三维修补后文物表面纹理缺失问题,将该问题转化为二维图像修复问题,改进基于边缘预测的二维纹理修复网络,添加精细化网络提高输出图像分辨率。通过第一阶段的边缘生成网络获得孔洞区域的边缘预测图;结合边缘预测图和RGB缺失图像,利用第二阶段的粗略网络获得初步RGB修复结果;进一步将边缘预测图和粗略修复图像输入精细网络获得更接近的修复结果。实验表明,本文改进模型能够生成更加精细化的图像修复结果。（3）设计一种三维文物数字化修复框架,该框架能够在修补三维结构性特征的同时修复文物表面颜色纹理信息。该框架使用（1）中所提的网络模型修补三维结构信息,并封装为三维网格模型;利用（2）中方法获得兵马俑表面颜色纹理信息;使用ZBrush软件将修复二维图像映射回三维网格模型表面,获得最终的三维兵马俑修复结果。