三维场景重建问题旨在通过设备或者学习的方式从二维图像中恢复三维场景结构。该问题目前也是计算机视觉的一个热点研究问题;同时,三维重建技术在环境感知、机器人导航、场景交互、古建筑三维数字化保护等场景中扮演着重要的角色。随着深度学习技术,尤其是深度神经网络技术的深入研究、大规模三维数据集的公开,为三维场景重建问题的求解注入了新的可能性与目标。为此,本文将围绕三维场景重建问题,采用深度学习工具展开相关的研究与探索。首先,本文将介绍一个基于无监督学习的三维场景重建问题的模型框架。该模型从二维视频图像中提取特征信息,采用无监督学习的方式预测每帧图像的深度信息及对应的相机位姿信息,通过深度信息及其相机位姿信息对三维场景进行恢复,融合计算得到三维场景彩色场景点云模型,场景点云再在相机位姿视角下重投影到二维平面,与原视频图像进行差值比较从而优化模型。本文提出的方法可以有效避免深度学习方法在重建过程中对于真实场景监督信息的依赖,同时可以建立高质量的点云场景模型。随后,针对该问题的研究,考虑到深度学习中采用不同类型数据时,需要对模型重新训练,本文对上一研究内容进行分解,尝试性采用新的元学习的思路对深度图信息进行预测,期望在多任务训练后,网络在接收到新的深度图数据时能够依据先前学到的经验知识促进当前学习过程。该过程先采用不同的深度图数据集学习到一个深度图预测的元模型,随后,当有新的深度图数据加入,可以通过很少的迭代训练,得到尽可能准确的深度图信息。最后,本文对提出的三维场景重建方法及元学习的深度图预测模型框架做出总结,对该方法存在的优势及局限性进行分析,同时展望该未来的研究方向。