齿轮是一种重要的机械设备零部件。在齿轮成品中会有划痕、碰伤和崩角等问题。三维重建能恢复齿轮工件的空间结构,多视图三维重建投入小,应用广,利用多个角度下的齿轮工件图像就可以重构其外表面轮廓信息。与理想朗伯体不同,齿轮工件纹理稀疏,非漫反射,给三维重建带来不少麻烦,通过多视图几何对齿轮进行三维重建的效果一般。随着深度学习的不断发展,其在计算机视觉研究中衍生出大量应用。深度学习方法可以通过神经网络不断学习训练数据的图像特征,在特征提取等方面较传统方法有着一定优势。本文提出了一种基于多视图网络的三维重建方法,通过神经网络与传统多视图三维重建结合完成齿轮外表面三维重建,提升齿轮三维点云的完整性与准确度。本文主要针对齿轮的多视图三维重建进行研究,在此过程中做了以下工作:首先利用相机标定法估算图像采集设备的具体参数,对齿轮多视图进行特征提取、配对,进而确定用于立体匹配的视图。然后利用运动恢复结构法对齿轮的多视图进行三维重建。由于得到的稀疏点云不能真实反映齿轮外表面的三维结构信息,在此基础上通过基于面片的三维重建方法获得了比较完整的齿轮稠密点云,但是该点云在齿轮纹理细节等方面仍存在缺失。基于此,本文通过多视图网络对输入图像进行特征提取、构造匹配代价、匹配代价正则化并通过Softmax分类获得齿轮图像的初始深度估计,再通过深度一致性对深度图进行过滤,最后经过深度融合重构齿轮外表面点云。本文以DTU数据集作为训练数据,完成多视图网络的训练及部分测试工作。通过本文多视图网络、传统多视图几何以及与本文同类神经网络对DTU测试集和齿轮图像集进行立体结构恢复,对比分析实验结果发现本文的多视图网络在重建点云的细腻程度和完整性表现突出,鲁棒性较强,特别是在齿轮金属表面纹理单调、非漫反射等不利于重建的场景表现相对稳定。此外,通过比较不同方法的重建时间发现,本文多视图网络用时较少,重建效率高。