多视图三维重建是一种从摄像机拍摄的一组多视点图像中重建出三维模型的方法,是几十年来计算机视觉领域广泛研究的核心问题。传统的多视图三维重建算法使用人工设计的特征来进行图像目标的特征提取,并以此进行三维重建,但是在纹理较为稀疏、非漫反射的场景下,特征提取困难,三维重建效果较差。而近年来随着深度学习的发展,越来越多的研究人员开始使用深层神经网络来自动提取图像特征,并且提取到的特征语义性更强,能够适应大部分的场景。受此启发,本文提出一种基于深度学习的多视图三维重建算法T-MVSNet,优化了网络各个结构,提高了多视图三维重建结果的完整度和精度。本文主要的工作如下:（1）针对现有算法的三维重建效果存在大量空洞的情况,本文重新设计了特征提取网络。本文在残差网络和编码器-解码器结构的基础上融入了动态滤波器卷积,该方法随着训练的进程给并行的卷积核分配不同的权重,并集成这些卷积核作为一个动态核,该方法可以提升模型的表达能力,并且无需提升网络的深度和宽度。（2）从图像特征图计算得到的代价体往往包含大量的噪声,而三维卷积无法解决,因此本文重新设计了代价体正则化网络。利用Transformer对于全局感知的特点,将其与卷积进行融合优化,随后将修改后的Transformer作为编码器,三维卷积作为解码器,形成一种新型的代价体正则化U型网络。（3）重新设计了loss函数。将网络的原始输出的深度图和微调过后的深度图分别分配一个初始系数,根据后续网络训练的相关指标动态分配系数大小,根据两种深度图的重要性程度指导训练。（4）本文基于相机模型的变换公式,结合相机内外参和深度图,提出了一种基于深度图融合的三维重建算法。实现了端到端的三维重建,使整个算法有更好的嵌合度。本文使用Pytorch框架和linux编程环境,采用大规模室内物品DTU数据集的79组样本来训练。并且在DTU测试集上进行测试,做消融实验,并与相关开源的三维重建算法的结果进行对比分析,最后利用本文构建的三维模型可视化系统进行展示。经实验证明,本文所优化过后的方法能够应对大部分的实验场景,并且能生成高质量的三维点云模型,而且在稀疏纹理和具有镜面反射的场景下有较好的效果。