随着逆向工程技术的发展,三维重建已融入到医疗影像、文物数字化、测绘等多个行业。使用站立式三维扫描仪或手持式扫描仪进行三维重建作业,不仅设备笨重、价格昂贵而且对应用场景有较高要求,严重限制了三维重建技术的应用范围。基于图片的三维重建技术是通过模仿动物视觉来获取场景的深度图像,并进行三维模型拟合,达到重建的效果。相对于传统的重建方法,该技术使用的设备轻便、价格便宜、应用场景要求不高,且重建效果有较好表现。随着深度学习的发展,基于深度学习的三维重建已成为了目前基于图片的三维重建研究领域的一个重要热点。本文通过对现有基于深度学习的三维重建方法进行分析,针对现有网络模型中内存消耗严重、效率低下、无法满足大场景重建的需求等问题,提出一种高效的多视图几何三维重建网络模型（high efficiency multi-view stereo network,H-MVSNet）。H-MVSNet通过搭建轻量级的特征提取模块,利用改进的门控循环单元（gated recurrent unit,GRU）模块进行正则化,使用列文伯格-马夸尔特法（Levenberg-Marquardt,L-M）层细化深度图,优化了网络模型,减少内存消耗,提升了网络效率,同时H-MVSNet采用了将原始图片序列和预测的粗深度图进行融合的方法,改善了深度图的生成质量,提高了三维重建模型的效果。H-MVSNet在DTU数据集的测试中,生成的三维模型与原模型的精度误差0.327mm,计算一张深度图仅需0.44s,内存消耗低至2.46GB。在Temples and Tanks数据集测试上来看略优于之前的网络。本文对所提出的方法进行定量和定性的评估,实验结果表明,HMVSNet有效地提高了三维重建的精度和准确度,提高了计算效率,能够满足在大规模三维重建的需求,可以有效地提高轻量级神经网络在三维重建应用的质量;通过消融实验,进一步表明该模型在解决内存消耗严重、网络利用率低下的问题上具有更好的效果。