三维重建作为环境感知的重要技术之一,近年来在很多领域取得了广泛的应用,引起了越来越多的关注。传统的三维重建算法难以解决场景纹理缺失,计算成本较高等问题,而使用深度学习的方法处理这些问题是目前研究的热点。本文主要针对基于深度学习的多视图三维重建方法在多视图特征提取,视图不可见以及重建点云精度等问题展开研究,进行了以下的研究工作:（1）视图特征提取网络优化。基于多视图三维重建算法,提出了改进的视图特征提取网络算法。为了减少源视图在单应性变换后的细节丢失,本章在该算法中添加双通道注意力机制。将多视图分别通过通道注意力模块与空间注意力模块,加强视图特征的获取以及多视图之间的位置关系。实验结果表明,添加双通道注意力机制的特征提取网络不仅提升了输入视图特征的细节表现,同时将不同视图的特征聚焦到相同的空间位置,使得重建后的点云完整度误差降低了25.6%。（2）视图选择网络优化。基于等权重聚合代价体模型,提出自适应权重的代价体聚合算法。为了在重建后的点云获取到更多的局部纹理特征,提出由三维卷积神经网络构成的权重网络,使得经过网络后的多视图特征体基于不同权重进行方差聚合,加强算法的重建能力。其次通过扩大输入端视图数目对有效信息进行增强,减少无用信息的干扰。实验结果表明,该算法可以使代价体聚合时获取到更多的不可见点信息,解决由于部分场景不可见导致的局部完整度较低的问题。与通过双通道注意力机制的点云相比,进一步使点云完整度误差降低了12.5%。（3）牛顿迭代法优化初始深度图。基于使用神经网络对深度图优化的方法,提出使用牛顿迭代法优化初始深度图。首先,通过映射参考视图到源视图所在空间构建残差函数,以此获取特征差异。其次,使用牛顿迭代法代替神经网络从而获取更精确的深度叠加量。实验结果表明,通过牛顿迭代法优化初始深度图减少了26.3%的点云准确度误差,并一定程度上保留了较为出色的点云完整度,取得了一个较为平衡的最终结果。