三维重建是计算机视觉领域重要的研究方向之一,在文物保护、虚拟现实、机器人与自动驾驶等领域都有着广泛的应用。近年来,三维重建领域得到了快速发展,但三维重建模型仍有缺陷。受遮挡和距离传感器等内在因素影响,三维重建模型存在不同程度的缺失情况,因此引入三维补全进行修复。三维补全是三维重建领域中的一个重要研究方向。传统补全方法通过挖掘几何线索或匹配数据库模型实现补全,依赖于先验知识或数据库容量。深度学习方法虽然具有强大的预测能力,但场景点云补全领域的研究仍有缺失。针对室内场景点云补全研究,分析其存在的研究难点。一方面,考虑到单视角图像视野范围小,多视角图像采集费时费力,本文创新性地采用全景图作为输入,但全景图的引入会引起视点受限、生成的初始点云分布不均、场景点云难以补全等难题。另一方面,由于场景点云规模大,且点云分布不均匀、不规则、排列无序,直接通过神经网络预测的难度非常大。针对以上难点,本文基于全景图分别从间接和直接两种不同的方式处理场景点云,从而实现室内场景点云补全任务。本文的第一项工作从间接方式出发,提出了基于深度图补全的室内场景点云补全方法。该方法将三维点云补全问题转化为二维深度图补全问题,同时借助体素补全引导视角选取,借助深度图补全新增有效信息,从而实现了场景点云完整且精细化的建模。网络整合了视角选取模块和场景补全模块,采用先单独训练,后联合训练的方式,在对比实验中取得优势,证实了该方法的有效性,同时为后续研究奠定基础。本文的第二项工作从直接方式出发,提出了基于自监督学习的室内场景点云补全方法,有效克服了第一项工作中真实场景的真值点云难以获取,间接方式受限于体素补全和深度图补全效果的局限性。该方法通过模拟真实场景遮挡,构造了数据集的生成方法。网络整合了特征提取模块和场景补全模块,实现了大规模场景点云特征的有效提取和利用,以及基于Transformer架构的场景点云补全。该方法采用端到端的训练方式,最后实现了通过神经网络直接整体补全大规模场景点云的效果。最后,本文对提出的两种室内场景点云补全方法做出总结,分析了创新性和不足,并提出了可能的几个未来发展方向。