随着室内三维建模、虚拟现实、增强现实、三维游戏等对场景模型的精细化要求越来越高,基于RGB-D数据的实时稠密重建技术得到越来越多的关注。目前的基于RGB-D的实时稠密重建算法主要利用特征匹配或者直接配准图像信息获得相机姿态,并通过闭环检测、位姿优化等方式获得一致性的全局场景模型。具体的研究工作和创新点如下:第一,对几种基于RGB-D数据的实时稠密重建算法进行了详细的介绍与分析。这些实时稠密重建算法一般包含轨迹跟踪、闭环检测、位姿优化、绘图几个部分。介绍这几种算法的主要流程,分析算法的优缺点,为后面算法的改进提供基础。第二,提出了一种基于ORB-SLAM2的稠密重建算法。在ORB-SLAM2的基础上,增加场景稠密重建模块,获得实时的场景稠密重建结果。在获得相机轨迹之后将图像信息融合到场景模型中,并且在相机姿态优化之后根据相机和重建的稀疏点云优化前后的位置来调整场景模型。同时在闭环检测部分,利用一致性约束来获得高可靠的特征匹配结果,有效的验证闭环的准确性,获得更加可靠的闭环结果,从而有效提高实时稠密重建的精度。第三,针对传统的ElasticFusion算法存在的问题,提出三种改进策略来有效提高的场景稠密重建的精度。提出自适应调整跟踪时联合配准的加权的方法来解决传统ElasticFusion算法中固定加权无法适应不同场景中几何信息和纹理信息变化很大的情况。提出重新估计错误跟踪帧的相机姿态的方法主要是为了解决传统的ElasticFusion算法在跟踪过程中存在某些帧跟踪误差很大的情况。提出增加关键帧之间的配准并通过配准结果调整相机姿态和场景模型的方法来缓解非闭环情况下传统ElasticFusion算法随时间产生的漂移现象,通过关键帧之间构建有效的连接关系来降低轨迹漂移的程度。实验结果表明算法具有良好的性能。