三维重建是指建立物体的三维模型,是表达客观世界的关键技术。目前传统的三维重建算法仍然占据研究的主要部分,但是随着深度学习中卷积神经网络的提出和发展,使得深度学习具有超越传统方法的特征表达能力,越来越多的研究者将深度学习方法应用到三维重建领域中。但是目前基于深度学习的三维重建网络,大多是利用物体的图片恢复其三维模型,重建精度不高。为了提高重建模型的精度,本文提出一种利用物体的相似三维模型作为三维重建网络先验知识的方案,主要针对如何高效获取物体相似三维模型的问题和如何提高图片输入下重建模型精度的问题进行研究。针对如何高效获取物体的相似三维模型问题,本文提出一种在多视图卷积网络基础上改进的三维模型检索网络结构。为了降低模型的参数量和计算量,更换多视图卷积网络主干网络,采用MobileNet进行特征提取。为了提高网络的表征能力,在卷积层后采用两层全连接层。在进行特征融合时,为了区分不同视图所带来的影响,采用分组模块计算不同视图的权重值。最后实验结果表明,使用MobileNet和特征融合后,网络分类的准确率和检索的平均精度均值都有提高。针对图片输入下重建模型精度低的问题,本文提出一种基于图片和先验知识的三维重建网络结构。首先为了提取图片和先验知识的特征,在编码部分采用两个维度不同的编码器。其次为了加快模型的训练和提高编码器性能,将跳跃连接结构和编码器相融合。然后将两个编码结果相结合,并采用反卷积网络作为解码器。最后进行实验,结果表明重建网络加入先验知识输入后,能有效提高物体重建模型精度值。