基于多视图的三维重建是摄影测量和计算机视觉两个学科共同关注的重要问题,具有成本低廉和方法灵活等优点。经过数十年的理论和技术研究,目前已取得丰硕的研究成果,市场上相关的商业软件也不胜枚举。但由于问题涉及算法众多且内涵复杂,仍有大量问题未曾解决,还需研究者们进一步深入探索。本研究面向多视图三维重建全流程,划分为相机标定、特征提取和匹配、稀疏点云重建、密集点云重建等几个部分,从底层探索各部分的实现算法并作出改进。相机标定用于确定相机的内部参数。而对于不满足相机标定条件的场景,本研究提出利用图像的Exif（Exchangeable image file format,可交换图像格式）信息快速计算内参数矩阵近似初值,并通过非线性优化算法趋近最优解。实验证明可有效替代传统相机标定方法。特征提取和匹配是三维重建的基础,本研究改进传统点特征和直线特征的匹配方案。针对RANSAC方法匹配特征点时间消耗过大的问题,基于统计结果引入特征点尺度和初始匹配距离比参数,为初步匹配结果赋权。优先抽样大权重匹配点,能够准确估计全局外点率,有效提高RANSAC的抽样效率。针对特征数算法匹配直线效率低下的问题,同样受统计结果启发,仅抽样长度和夹角满足阈值要求的直线,节约时间成本并保留大量准确交点。本研究通过增量方法重建多视图模型,故还需确定模型增长的影像序列。针对应用场景常用的无人机航拍影像,通过空间邻近度分组相关影像。在各组内通过序列生长方案,确定匹配效果最优序列。建模过程中,随视图数量的增加,光束法平差存在优化参数过多效率较低的问题。本研究综合两视图、多视图和整体平差三方面提出优化方案,有效减少优化参数的同时保证优化精度,重构稀疏三维点云。之后通过PMVS算法加密模型,并使用Poisson算法完善三维表面。面向实际应用,研究创新性地集成点特征和直线特征,探索优化建筑物对象的三维模型。引入特征数匹配方法,利用密集点云简化复杂的直线特征匹配,保证直线特征匹配的准确性。反之,通过结构性更强的直线特征,加密原有三维点云并有效优化模型几何结构,改善建筑物边缘轮廓线及其邻域的建模效果。为便利算法与应用对接,研究最终集成以上算法,开发多视图三维重建及模型优化原型软件。