面对大数据影像的海量化、非结构化、非精确化等特性,采用传统的摄影测量方式进行处理在适用性、计算效率和结果的完整性等方面遇到了巨大的挑战。本文立足于此背景,主要研究了如何从大数据影像中恢复三维几何信息,包括基于特征点的影像对应关系分析、大数据影像的多元描述与聚类分析、非线性优化下的影像空间位姿恢复、大数据影像的稀疏三维重建等方面的内容,有效解决了大数据影像处理中面临的计算时效性差、结果完整性弱等问题,促进了大数据影像挖掘分析工作的发展。总体而言,本文主要工作和创新点如下。1)设计了一种GPU加速下的分块提取、分组匹配的策略,为后续聚类及三维重建工作提供了充足的同名点对信息。试验表明,该策略能够充分利用计算平台的硬件性能,快速、有效地提取出丰富的匹配点对。2)提出了一种基于主成分分析的匹配点对提纯模型。将整体匹配点对作为初始输入,逐步剔除误匹配点对,得到更为准确的全局最优解。试验表明,该方法在一定的原始误匹配率下,能够得到整体最优解,在剔除误匹配点对的同时,能够避免或减少正确匹配点对的遗漏。3)提出了一种面向海量、无序影像的聚类算法。首先,结合影像的边缘特征,设计了一种能够较好表达影像整体语义与细节特性的聚合描述符,进行影像的全局描述;在描述符聚类阶段,考虑到实时性与准确性要求,提出了一种具有简单参数的实时自组织特征映射神经网络,通过引入响应层实现了无需事先训练的影像聚类。试验表明,该算法能够进行大数据影像的聚类,并且具有较高的准确率和较好的稳定性。4)引入了一种基于预处理共轭梯度求解的影像位姿优化模型,为后续的三维重建工作打下了牢实基础。试验表明,该优化模型能够快速、鲁棒地进行海量数据的位姿优化计算,完成影像位姿优化任务。5)设计了一种面向大数据影像的稀疏三维重建方法。以流模式下的大数据影像聚类结果为基础,设计了一种两层式的增量稀疏三维结构恢复方法,实现了大数据影像的场景稀疏三维结构重建。试验表明,该方法能够在低硬件要求下实现大数据影像的快速分析,得到较为完整的场景稀疏三维空间信息。