基于图像的三维重建一直以来是计算机视觉领域的一个重要研究方向。传统方法往往需要更多的先验知识来支撑重建任务的完成,且部分方法存在泛化能力差,无法针对宽基线的图像进行重建等问题。近年来随着深度学习的不断发展,基于深度学习的图像重建方法取得了更好的效果,且需要的先验条件更少。本文系统地分析总结了基于深度学习的图像三维重建方法的研究基础,在深度学习方法3D-R2N2的网络结构基础上针对重建精度欠佳的问题提出了改进方法及新的网络结构,并通过实验验证了本文方法对重建效果的提升,本文的主要工作如下:（1）本文提出了两种改进的Inception-resnet模块,并基于此提出了改进Encoder模块的重建网络。通过在Encoder模块中加入改进的Inception-resnet模块并去掉全连接层,使用全局平均池化,加强了网络对细部特征的提取能力,同时减少了网络的参数和计算量。实验结果证明了该方法减少了训练时间,并在重建精度上也有一定的提升。（2）通过实验总结了使用不同特征提取模块的几种重建网络对各类物体的重建效果的区别,并基于此提出了一种基于单幅图像的多特征重建网络。该网络利用几种不同的特征提取模块来提取多个特征并在3D-LSTM结构中融合,以此方式来增强网络对单幅图像的特征提取能力,进而提升重建的效果。实验结果表明该方法在单幅图像的物体重建上,平均重建精度有明显的提高,且在重建的13类物体中对灯,椅子,船舶等类别的物体重建效果更好。（3）本文提出了一种结合Attention机制的基于多幅图像的多特征重建网络。其通过多种特征提取模块提取不同图像的多个特征来对特征提取效果进行加强,同时本文提出的3D-LSTM-Attention能够帮助网络认知不同特征在重建中发挥作用的大小,从而更有针对性的完成重建,提升重建效果。经过实验,该方法在多幅图像上的重建平均IoU值更高,交叉熵损失更低,重建效果更好。