随着计算机视觉的不断发展,三维重建技术作为其重要研究分支得到了广泛应用。特别是RGB-D深度相机的问世,为三维重建领域提供了一种新的实现方法。基于RGB-D图像序列的动态三维重建是指通过深度相机获取拍摄场景的RGB图像和深度图像,从获取到的图像对序列中重建出随时间变化的动态物体模型。目前静态场景的三维重建技术已趋于成熟,动态场景的三维重建逐渐成为近几年的研究重点,具有重要的实际应用价值。如:在机器人和增强现实系统中,完成所处场景中动态物体的三维重建是对场景中动态目标进行感知以及理解的基础性技术,也是实现人机交互、虚拟与现实交互的必要前提。本文主要围绕基于RGB-D图像序列的动态三维重建算法这一研究课题展开了深入研究,对算法实现中用到的主要性技术进行了探讨,在增强算法鲁棒性、提高运行效率以及优化重建效果等方面做了研究。本文的主要研究成果如下:(1)提出一种基于MRF(Markov Random Field)模型的深度图优化算法。针对传统滤波算法不能很好的去除深度图中存在的噪声,使重建出的模型精度较差的问题,在传统的联合双边滤波算法基础上做出改进,在权重系数中加入深度值信息,以此解决边缘伪深度值存在的问题。并在改进算法的基础上,加入MRF模型,综合考虑噪声、颜色、边缘等信息。在实验数据集上完成对所提算法的测试,实验结果表明,所提算法在深度图像的处理上有较好的有效性。(2)提出一种基于CTF(Course-to-Fine)方式的点云配准算法。为提高配准精度以及配准效率,在对点云数据采用基于FPFH(Fast Point Feature Histograms)特征的粗配准后,再采用CUDA(Compute Unified Device Architecture)加速的EM-ICP(Expectation Maximization-Iterative Closest Point)算法进行精配准。通过对实验数据的测试,可以看到,采用该算法进行配准时,在保证配准精度的同时配准效率也得到了很大的提高。(3)提出一种基于Surfel模型的点云动态融合和表面重建算法。针对采用TSDF(Truncated Signed Distance Function)模型进行融合时显存占有率高的问题,采用Surfel点元模型进行点云的融合过程,点元的模型结构方便根据捕捉到的实时帧数据对模型进行更新。同时在完成融合后,对模型中的点元采用泊松表面重建算法完成表面的重构。在公开数据集上对算法进行验证,结果表明提出的算法有较好的重建效果。