多视图图像三维重建技术就是从图像或图像序列中获取场景及场景中对象的三维模型，是计算机图形学和计算机视觉领域解决三维建模的手段之一，它对提高三维真实感建模及实时大规模复杂场景三维建模有非常重要的现实意义。目前其研究成果已应用于医学成像、数字化城市、机器人自主导航及数字娱乐等领域。但多视图图像三维重建技术仍未成熟，在实际应用中还存在诸多问题。本文围绕多视图图像三维重建的关键技术进行研究和探讨，为多视图图像三维重建提供一些有效的解决方案，主要研究内容包括图像特征的提取与匹配，多视图几何约束关系的计算，鲁棒性参数模型的估计，场景结构和摄像机运动的恢复，稠密表面的估计。本文的主要创新点如下：（1）提出一种新的差分形态分解（Differential Morphological Decomposition，DMD）特征检测和描述算法。该算法通过研究尺度空间理论的多尺度特征检测算法的不足，利用差分形态分解构造金字塔尺度空间，去除噪声和边缘信息的干扰，并在不同的尺度图像上运用Harris算子，检测出尺度图像上的特征点。然后将特征点进行分组，确保每组特征点只描述图像的一个局部结构。在每一组中，本文根据空域内变化最强的角点值，同时加上尺度域的高斯拉普拉斯函数(Laplacian ofGaussian，LoG)值来选择唯一的特征点来代表图像的局部结构。最后运用PCA-SIFT方法对特征进行描述。实验表明该算法在尺度变换、模糊变换和亮度变换的情况下，对局部不变特征点的检测和描述都取得了较好的效果。（2）提出基于序贯概率检测(Sequential Probability Ratio Test, SPRT)及局部优化技术的随机抽样一致性（Random Sample Consensus, RANSAC）算法。针对模型参数估计的速度和精度问题，本文对RANSAC算法进行了优化和改进。在RANSAC算法模型参数检验阶段，利用SPRT来对模型进行预检验，先在数据集上随机的抽取少量的数据点，并在这些数据点上执行对模型的统计检验；只有当初始的预检验通过，才在所有的数据点上执行对模型的最终检验，否则不再对此模型进行检验。该方法优化了模型检验过程，节约了大量数据对模型的检验，提高了RANSAC算法的速度。同时，当完成所有数据对模型的检验后，计算出与模型相一致的数据点。在得到所有可能的数据点集后，本文采用局部优化技术，在得到的数据点集上局部执行RANSAC算法，由于此时的数据点集绝大多数与模型相一致，因而精度得到提高。实验表明，本文提出的基于SPRT和局部优化技术的RANSAC算法运行速度和精度得到明显的提高。（3）提出基于块预处理和嵌入点迭代（Embedded Point Iterations，EPIs）的共轭梯度光束法平差（Bundle Adjustment）算法。针对大规模场景三维重建时，光束法平差仍然是计算的主要瓶颈问题。本文采用共轭梯度算法实现光束法平差内部迭代，其主要计算过程只包含了一个简单的矩阵、向量及雅可比行列式相乘，使得计算开销减少。同时，通过利用光束法平差的最小二乘法特性，本文采用了一种易于计算，基于块预处理的QR因式分解预处理方法，减小每次迭代的计算量。改进后的算法只有标准共轭梯度算法约一半的计算量。为了更进一步提高运算速度，还使用EPIs办法，在每一个摄像机标定阶段运行EPIs，使得每个摄像机标定步骤开销进一步减少。实验表明该算法在大规模场景重建时，可节约大量计算时间及取得较好的优化效果。（4）提出一种深度图生成稠密三维点云的方法，并针对稀疏三维点云，利用几何约束和自适应提出改进的基于物方面元多视图立体视觉（Patch-BasedMultiview Stereo，PMVS）准稠密算法。首先，为了得到精确的表面，假定已知摄像机的位置和方向，本文在体空间上运用非线性全局最优化来获得图像的深度图，得到深度图后，将深度图中的每个像素反投影到一个三维空间中，产生一个稠密三维点云。根据这些点云，采用泊松重建方法，重建出场景的表面网格，然后将图像纹理投影到表面网格上完成场景的表面重建。其次，针对未标定的多视图图像三维重建，从摄像机运动恢复结构（Structure From Motion，SFM）只能重建出稀疏的三维点云，不能准确、真实重建出场景或场景中对象，不具有可视化效果。本文在PMVS算法的Patch扩散过程中，加入几何空间约束及自适应扩展算法，用较少的图像序列即可生成鲁棒、精确的几何估计，得到高稠密的三维点云，然后进行表面重建，得到真实感的场景或场景对象的三维模型。实验表明该算法能够重建出尽可能光滑的精确表面，提高了三维模型的真实感。