相比传统的三维重建方法，神经辐射场（NeRF）在隐式三维重建方面显示出了优异的性能，然而简单的多层感知机（MLP）模型在采样过程中缺乏局部信息，产生细节模糊的三维重建场景。为解决这一问题，提出一种基于MLP的多特征联合学习方法。首先，在NeRF嵌入层和采样层之间构造多特征联合学习（MFJL）模块，有效解码输入的多视图编码数据，补充MLP模型缺失的局部特征信息。然后，在NeRF采样层和推理层之间建立门控通道变换多层感知机（GCT-MLP）模块，学习高阶特征交互关系，并控制反馈给MLP层的信息流，实现对歧义特征的选择。实验结果表明：所提基于改进MLP的神经辐射场可以避免三维重建中的视图模糊和混叠现象；在Real Forward-Facing数据集部分场景上的平均峰值信噪比（PSNR）、结构相似度（SSIM）、学习感知图像块相似度（LPIPS）分别为28.08 dB、0.887、0.061；在Realistic Synthetic 360°数据集部分场景上的PSNR、SSIM、LPIPS分别为32.75 dB、0.960、0.026；在DTU数据集部分场景上的PSNR、SSIM、LPIPS分别为25.96 dB、0.807、0.208；与NeRF相比，具有更好的视图重建性能，并且在主观视觉效果上得到更加清晰的图像和细节纹理特征。