三维重建旨在利用视觉检测设备获取图像信息并以此建立场景及场景中对象的三维结构模型,目前已广泛应用于虚拟现实、城市规划及医学影像等领域。由于自然场景复杂且建模对象具有各不相同的特点,传统的三维重建方法仍存在建模过程复杂、无法保证真实感等问题。因此,确保重建三维模型的精确性以及真实感,提高三维重建的效率仍是一项具有挑战性的任务。本文深入分析了三维重建技术的关键问题,以提高三维重建质量为目标,开展了基于深度学习的多视图三维重建关键技术研究。本文实现了一种基于密集残差和联合损失的三维递归重建方法。首先,在由基本编解码框架组成的三维递归重建模型中,使用密集残差结构对二维图像进行编码,在更好地提取二维图像特征的同时,提升网络训练的收敛速度。其次,针对网络训练的损失函数,根据重建三维体素模型的目标,联合使用均方误差和交叉熵损失函数,以提高网络预测三维体素模型的重建精度。实验结果表明,所实现的方法在公开数据集上获得了较好的重建性能。本文提出了一种基于多级融合和网格变形的多视图三维重建方法。该方法主要由多级融合特征提取模块和级联网格变形模块组成。首先,基于注意力机制,构建多级融合特征提取模块,在提取不同尺度图像特征的同时,逐级融合多视角图像信息。然后,基于多级融合特征,利用级联网格变形模块将初始化椭球网格逐步变形为目标网格,并在保持其拓扑结构的基础上,通过级联操作增加网格顶点和边的数量,提升细节处理能力,从而重建出与图像对应的三维网格目标模型。公开数据集上的对比实验结果表明,所提出的方法能够获得良好的重建性能。