三维模型是人类感知和认识世界的重要形式,随着计算机技术的快速发展,三维重建技术在人们生活生产的各个方面,如文物保护、虚拟现实等领域中正起到越来越大的作用。而在众多的三维重建方法中,基于多视角影像深度图的三维重建方法因其设备成本较低,操作灵活性较高,重建精度较好的特点,是目前最为主流的三维重建方案之一。此外,近年来,随着深度学习技术在计算机视觉领域的快速发展,将深度学习技术赋能于三维重建也成为了当下热门的研究问题。本文主要聚焦于基于多视角影像深度图的三维重建方法,研究通过深度学习技术实现准确且鲁棒的多视角影像深度估计,并构建目标的三维点云模型,完成三维重建。本文在Point-MVSNet工作的基础上,提出了改进的分组K邻近搜索方法,在扩大了匹配代价正则化过程中的空间感受野的同时,有效提升了正则化过程的效率。同时,本文还提出了一种基于置信度加权的匹配代价正则化方式,进一步提升了深度图与三维重建的质量。此外,针对高分辨率的影像,本文使用了多尺度优化策略,渐进地估计影像的深度。针对深度优化过程中的深度搜索范围选择问题,本文采用了一种自适应的深度搜索范围估计策略,有效提升了算法的灵活性与精度。具体地讲,本文的算法以一张参考影像与若干张邻接影像为输入,首先通过一个权重共享的特征金字塔网络分别为每张输入影像提取鲁棒的多尺度特征。然后,本文通过深度初始化网络,在低分辨率下为参考影像估计初始深度图。接着,本文基于初始深度图以及影像的相机参数,进行多视角特征映射与增广,并构建匹配代价。在这之后,本文利用卷积神经网络,采用基于分组K邻近搜索与置信度加权方法进行匹配代价正则化。最后,本文通过回归操作,实现对参考影像深度图的优化。在对所有影像重复上述流程,得到每张影像的深度图之后,本文接着通过深度图滤波与融合技术,最终得到场景目标的三维点云模型,完成三维重建。本文基于深度学习框架Pytorch进行实现,在大规模的小场景三维重建数据集DTU,以及大场景三维重建数据集Tank&Temple上进行了实验分析。针对算法的精度与效率,本文在深度图估计质量、三维重建质量、算法的GPU显存开销以及算法的运行时间这几个方面进行了定量的分析,并与目前主流的基于多视角影像的三维重建算法进行了对比。结果表明,本文的算法能够实现准确的深度估计并生成高质量的三维点云模型。相比早先的基于深度学习的算法,本文算法的GPU显存开销更小并且运行速度更快,因此具有更高的效率。此外,实验还表明本文的算法不仅能够对小场景目标进行三维重建,也能够对大场景下的目标进行三维重建,体现了本文算法良好的鲁棒性与泛化性。