随着元宇宙、游戏、影视特效等蓬勃发展,对于渲染优化的要求也越来越高。如何保证渲染质量的同时降低硬件成本给传统渲染方法带来了巨大的挑战。在这种情况下,利用机器学习进行渲染优化为行业提供了有价值的解决方案。相较于传统复杂而耗时的渲染管道而言,基于机器学习的渲染方法可以有效地保留渲染信息,从而避免高昂的硬件成本。另一方面,基于机器学习的渲染方法往往能取得良好的渲染效果的同时降低渲染时间。本文提出了一种基于机器学习的模型渲染优化方法,所涉及的内容对基于体渲染的神经渲染方法进行优化和改进,通过使用神经网络来学习体渲染场景特征,并渲染出接近原生质量的渲染图像。大多数下游流程不必进行完整的渲染流程,只需要从方法中获取场景参数就能渲染出最终结果,从而节省渲染成本并缩短处理时间。本文主要进行了如下的研究工作:（1）研究和分析了渲染流水线中各个部分的原理和主要方法。传统渲染方法在渲染过程中渲染速度慢、效率低、硬件成本高等问题。本文提出了基于机器学习的模型渲染优化方法,在降低渲染成本的同时尽可能地保留渲染质量。（2）基于体渲染的渲染优化方法:将体渲染方法和机器学习结合起来,在此基础上进行改进。通过使用神经网络的方法来提取渲染场景特征作用于体渲染,在渲染效果上取得了预期效果。（3）多视角下的渲染优化方法:利用改进后的3D-Unet网络端来进行渲染优化,通过提取多视角下参考渲染图像的特征改善了侧面视角优化不足的情况。（4）对提出方法进行实验分析和横向对比,在多个不同视角下的渲染优化结果上都取得了预期实验效果,验证了方法的可行性和有效性。