基于影像匹配的三维重建是计算机视觉和摄影测量学领域研究的重要内容,其主要流程包括相机参数恢复,影像匹配生成密集点云,构网(或先融合再构网),纹理贴图几个步骤,是目前主流的三维重建方法。不过由于重建表面连续光滑假设,不同视角下的投影变形,以及匹配噪声等的影响,直接使用影像匹配得到的点云构建三维模型通常存在细节损失和表面不平滑的问题。基于变分的表面演化方法把待重建表面看作三维空间的一个连续未知函数,并在此函数上定义影像一致性代价泛函,把表面模型重建问题看作此泛函的最小值求解问题,此问题通常使用梯度下降法求解。基于变分的表面演化可以获得高精细的表面细节,且可以通过引入正则化项抑制噪声的干扰,不过,在初始表面不准确的情况下,演化过程比较缓慢。本文研究的主要内容是基于影像匹配和变分表面演化的表面重建方法。考虑到匹配效率和精度,本文使用的是半全局影像匹配,之后使用s-t cut构建表面初始模型,然后使用变分法对三角网模型进行优化。本文主要的创新与贡献包括(1)针对重建对象在相机视野内深度值变化较大时Vu等人采用的基于梯度下降的表面演化过程不能很好地收敛的问题,本文根据相机成像几何模型,提出了基于影像像点分辨率的梯度加权方法,提高了表面演化过程的收敛性。(2)针对表面上弱纹理平面区域优化重建结果表面不平整问题,本文采用了深度图上局部窗口平面约束来抑制该现象,使得重建表面平面平整度有了较大提升。(3)针对表面演化过程速度慢的问题,本文采用了CPU和GPU并行加速的方法,使得表面演化过程效率有了数倍的提升,对于该方法的实际应用有着重要的意义。