从计算机学科早期的神经网络,到之后曾经火热的专家系统,再到如今蓬勃发展的深度学习,人工智能的研究经历了潮起潮落。得益于数据量的暴增以及计算机处理能力的提升,人工智能迎来了新的发展热潮。如今,机器学习的方法已经遍布人工智能的各个领域,如计算机视觉、自然语言理解、语音识别等。这其中,计算机视觉是目前发展最为火热,最重要的核心技术之一。随着无人驾驶、机器人抓取物体、三维打印、虚拟现实等应用需求不断升级,从二维图像中自动重建得到三维模型变成了一种需求。并且,比起二维图像,人们可以从三维模型中得到更多的信息。因此,这一研究领域正变得越来越重要。一些大型三维模型库的出现,推动了这一研究领域的发展。而近年来,由于深度学习的迅猛发展,基于学习的方法成为了三维重建的主流。本文旨在对基于深度学习的多视图三维重建技术进行研究,对如何从二维RGB图像重建得到更准确的三维模型进行探索。本文主要研究工作归纳如下:(1)针对输入二维图像进行三维重建的方法进行了总结和分析:总结并归纳了输入为二维图像,输出为三维模型的三维重建方法。一方面,对使用单视图进行三维重建的方法存在的问题进行了总结,并对现有方法的优势和不足进行了分析。另一方面,对使用多视图进行三维重建的方法存在的问题进行了总结,并对现有方法的优势和不足进行了分析。此外,对探索新颖三维表示形式的方法进行了总结。(2)提出了对任意数量视图的三维融合分层重建方法并对比了与现有方法间的性能指标和可视化结果:针对单视图三维重建信息缺失,以及现有多视图三维重建存在的一些问题,使用均等对待每个输入图像的特征组合方法和用于改善对象较细较薄部位重建效果的分层预测策略,使得网络模型可以接收任意数量的图像作为输入并获得三维重建结果,且随着输入图像数量的增加,重建结果越来越精确。(3)提出了自主视图选择的多视图三维重建方法并对比了与现有方法间的性能指标和可视化结果:针对单视图三维重建信息缺失,以及现有多视图三维重建存在的一些问题,利用网络中的视图选择器根据当前重建状态自主选择下一输入视图,并更新重建状态,克服了现有方法因随机选取视图导致的视图信息不足,重建结果不稳定等问题,得到了更准确的重建结果。