基于图像的三维形状重建技术一直是计算机视觉领域的热门分支领域之一。然而,在现阶段的使用深度学习方法的基于图像的三维形状重建算法的学术研究中,往往对几何上的先验信息的挖掘有所不足和欠缺。因此,本文以单视角下和多视角下的三维重建为研究课题,重点研究了利用不同的深度先验信息,来实现高质量、高效率的三维重建算法。研究内容包含了三个部分,即三维-二维透视投影先验研究、三维形状的时空平滑先验研究以及真实场景中的物体三维形状重建系统。在三维-二维透视投影先验研究中,本文提出了基于单视角的三维重建方法3D-LGD,它借鉴了深度学习优化领域关于学习的梯度下降的研究的最新进展,考虑到了三维形状在二维图像坐标系中的投影与输入的二维图像隐性约束关系,使用生成参数更新的深度网络替换了简单的梯度下降更新规则,在学习过程中将梯度分量传递给学习网络,再通过一系列的用于更新参数的卷积神经网络,来生成对预测的三维形状的更新。在ShapeNet的数据集上与现有方法的对比实验中,其生成三维形状的准确性综合指标提升了 8.8%。在三维形状的时空平滑先验研究中,本文提出了基于多视角的三维重建方法3D-STS,它具有时序平滑性的解码模块以及一个特殊设计的考虑了空间平滑性的目标函数,以同一三维物体的不同视角下的RGB图像为输入,可以生成该物体的三维形状以及每一视角下的姿态信息。在解码模块中,它使用了循环神经网络,从而学习输入图像时序上的先验平滑信息;在目标函数中,它使用了随机梯度Langevin动力学（SGLD）的更新法则,考虑了三维形状在空间上的先验平滑信息。在基于ShapeNet的数据集上,与第三章提出的基于单视角的3D-LGD相比,它生成三维形状的综合精度提升了 24.1%。针对真实场景,本文设计了一种基于深度学习的三维重建系统。通过比较不同方法的准确性与运行效率,分别挑选了合适的分割算法和重建算法作为系统的实际应用中的方法。最后,通过在真实场景下进行跨实例、跨类别物体的重建实验,证明了该系统设计的可行性,并定性地分析了本三维重建系统在真实场景下的测试效果。