En escenarios prácticos, cuando las condiciones de disparo son limitadas, se requiere una alta eficiencia de disparo de imágenes y una tasa de éxito de reconstrucción en 3D. Para lograr la aplicación de ojos compuestos biónicos en dispositivos portátiles pequeños para reconstrucción en 3D, auto-navegación y evasión de obstáculos, se estudió un método de aprendizaje profundo de reconstrucción en 3D utilizando un sistema de ojo compuesto biónico con campos de superposición parcial. Utilizamos el sistema para capturar imágenes de la escena objetivo, luego restauramos la matriz de parámetros de la cámara resolviendo el problema PnP. Teniendo en cuenta las características únicas del sistema, diseñamos una red neuronal basada en la estructura de red MVSNet, llamada CES-MVSNet. Alimentamos la imagen capturada y los parámetros de la cámara a la red neuronal profunda entrenada, que puede generar resultados de reconstrucción en 3D con buena integridad y precisión. Utilizamos el método geométrico tradicional de múltiples vistas y redes neuronales para la reconstrucción en 3D, y se analizó la diferencia entre los efectos de los dos métodos. Se demostró la eficiencia y confiabilidad de utilizar el sistema de ojo compuesto biónico para la reconstrucción en 3D.