近年来,随着精密制造、虚拟现实等领域的快速发展,能够定量描述某些物体快速三维信息的方法成为领域研究热点。结构光条纹投影技术是一种广泛应用的三维测量技术,然而其需要经过条纹图采集、相位恢复和标定等步骤才能恢复物体的三维面形。该方法测量步骤繁琐、测量速度慢,不利于实现快速三维成像。近几年,深度学习方法广泛应用于计算机视觉和图像处理领域。本文将深度学习技术同结构光三维测量方法相结合,提出了基于深度学习的三维测量技术。利用网络模型直接从单个变形条纹图像中获取物体深度信息,实现快速三维测量。本文主要研究内容如下:首先,提出了基于U-Net网络的结构光三维测量方法,并对该方法进行测量原理研究。该方法根据结构光三维测量原理设计了一套仿真系统,利用该系统生成数据集。然后,改进U-Net网络结构和参数,得到适用于预测物体深度的新型U-Net网络。其次,设计了组合损失函数用于优化改进后的U-Net网络。根据图像的结构和像素关联性,将均方误差和结构相似度损失函数相结合,并从预测不确定性的角度引入Bayesian框架,得到条纹分析组合损失函数。利用分阶段训练的方式优化网络,得到最优网络模型。最后,利用基于U-Net网络的结构光三维测量方法,研制了硬件和软件实验系统,设计了仿真和实物实验,证明了所研究方法的有效性,并对网络模型进行了泛化能力、抗噪能力和测量效率分析。结果表明,该网络模型泛化能力较好且鲁棒性较高,可以有效恢复物体的三维面形。与传统的结构光三维测量方法相比,本文方法不再需要相位处理过程,并且可以直接从单个变形条纹图中获取物体表面的深度信息,简化三维测量步骤,实现了物体三维形貌的快速测量。对于传统光学测量方法来说,本研究拓宽了三维测量领域的实现方法,是对快速三维测量技术的积极探索,具有一定的理论意义和实际应用价值。