随着计算机技术与高分辨率CCD数码相机技术的高速发展，其灵活、快捷以及非接触等优势使其成为获取三维空间信息的主要方式之一。该领域涉及模式识别，寻优算法，数字图像处理等多学科的理论方法。从不同视角对同一场景进行拍摄，对所采集的图像序列进行三维图象匹配是该领域的关键问题之一，也是后续数据分析、三维重建的基础。但传统的特征点提取方法不能直接应用于弱纹理图像的三维匹配，因此弱纹理图像的三维匹配成为计算机视觉亟待解决的难点之一。本论文围绕这个难点主要完成以下工作，包括：(1)介绍了特征点提取与匹配方法的基本原理，对国内外研究现状进行详细综述；概述了三维重建的关键技术，介绍了模式识别相关方法和理论及应用，包括：稀疏表示、graph cuts算法以及SIFT特征点检测算法，为本文所研究的基于宽基线的弱纹理特征点的提取与匹配算法奠定理论基础。(2)提出了一种基于稀疏表示的弱纹理图像特征点匹配方法。该方法利用弱纹理区域的局部自相似性提取图像中自相似性较高的点作为相应的特征点；另一方面，由于弱纹理特征不鲜明，因而较难找到一种合适的特征描述子，这导致传统的基于欧氏距离的特征点匹配方法并不适用。基于稀疏表示的特征点匹配方法对特征描述子的选取不敏感，且具有较强的稳定性及鲁棒性。实验结果表明该方法对弱纹理特征点的匹配准确率要远高于传统的基于欧式距离的匹配方法。(3)提出了一种基于纹理合成的特征点提取方法。将传统特征提取算子及匹配方法进行扩展，使其能够在图像弱纹理区域中提取到相应的特征点并进行准确的匹配。该方法以纹理合成算法为基础，并釆用仿射变换将所合成的纹理分别覆盖到图像对的弱纹理区域中，此外，为了确保覆盖后的纹理具有特征不变性，我们采用图割算法（graph cuts)对所提取到的特征点对进行修正，通过采用这种粗匹配到精确匹配相结合的特征点匹配方法，建立了一种基于纹理合成的弱纹理特征点匹配机制。实验证明了本方法在扩展传统特征点提取方法的基础上，具有较高的匹配准确率，适用于宽基线下弱纹理区域的稠密匹配。(4)提出了一种基于Meanshitf的特征点描述机制。传统的深度图像大多是在窄基线的情况下所生成的，不具有通用性，并且受限制条件过多。尽管传统的特征点提取方法可应用在宽基线情况下，但其所提取的特征点周围一般都具有较强的纹理特征，而现实环境中往往存在大量的弱纹理区域，从而导致该方法较难应用于实际。为此，我们根据每一点周围的纹理强度，采用Meanshitf算法找出其对应的区域，根据该区域给出对应的特征描述子，最后，利用极线约束在极线上搜索匹配的特征点，并根据匹配结果釆用图割算法调节相应的能量函数来得到最终的深度图像。实验结果表明，该方法能够在宽基线下得到较为准确的深度图像，扩展了传统立体匹配的适用范围。论文最后对所做的研究工作进行了总结，并对下一步的研究内容及研究方向进行了讨论和展望。