针对多媒体数字图像数据规模庞大，在构建三维虚拟场景时，由于深度估计的困难性，导致三维场景重建准确性偏低的问题，提出面向多媒体数字图像的交互式三维虚拟场景算法。提取多媒体数字图像中的角点，将其作为初值进行棋盘格边缘搜索，确定真实角点，同时将全部角点作为特征点实施相机标定，获取每张多媒体数字图像对应的相机位姿。通过改进后的PatchMatchNet对参考图像进行深度估计，经多次迭代获取输出深度图。采用重投影的方式对深度图进行外点过滤，并将其投影到世界坐标系内，最终获取交互式三维虚拟场景。实验结果表明，所提算法可获取高准确率的交互式三维虚拟场景重建结果，且重建时间低于50 ms。