基于图像的三维重建是计算机视觉领域的一个重要研究方向,而多视图立体视觉作为其中最为高效鲁棒的方法,得到了非常广泛的研究。传统的多视图立体视觉通常可以重建出精度较高的模型,但是依赖于手工设计的特征描述子与代价函数,这难度较大并且处理效率通常不高。最近,一些基于深度学习的多视图立体视觉方法也展现出可以与传统方法相比较的重建质量。但是由于模型的复杂性,目前这些方法生成较低分辨率深度图的同时占用大量的显存,并且处理速度可以进一步提升。针对上述提到的主要问题,设计了迭代式的深度图预测网络,以由粗到精的方式迭代地预测出高分辨率的深度图。预测过程采用基于三维代价体的管道,首先将特征图进行可微单应性变换以构建代价体,随后使用三维卷积对代价体进行正则化并进一步预测出深度图。迭代过程中使用所设计的深度图膨胀网络对粗糙深度图进行保留边缘细节的升采样以用于下一轮迭代。此外,设计了适用于迭代网络结构的多级多尺度特征提取在不损失空间信息的同时来提取不同分辨率的特征图。该迭代式的深度图预测网络在生成高分辨率深度图的同时,可以提升重建效率,即降低模型的显存占用与减少处理时间。最后,在为所有视角生成深度图之后,采用高效的过滤策略与融合策略生成统一的稠密点云作为重建结果,用于实验与评估。在大型公开多视图立体视觉数据集DTU上进行了训练与实验,并和其他传统或深度学习的多视图立体视觉方法进行对比,实验结果表明,所设计的方法相较于R-MVSNet,模型占用显存降低了60%,处理速度提升了5倍,较大地提升了重建效率。并且可以保持较好的重建质量,具有较好的视觉效果。