随着机器视觉技术的发展,基于视觉的实时环境建模技术在远程医疗、人工智能、自动驾驶等领域发挥着重要的作用,受到学术界与工业界研究者的广泛关注,并取得丰硕的成果。近年来随着新型深度相机的不断发展,基于主动式深度获取实时三维环境建模技术已经成为热点,而针对轻量级、小型化设备在实时三维重建时依然存在精度差、鲁棒性差、地图占据大量存储空间等问题。本文针对上述问题主要开展了以下工作:首先,分析了视觉三维实时重建技术的国内外发展现状,对机器视觉基础理论、机器人协同定位与建图技术的系统框架进行了研究,并对比分析了不同局部特征匹配算法的优缺点,为后续核心算法的改进奠定基础。其次,针对点云配准环节存在效率低、精度差、鲁棒性差等问题,设计了一种融合SURF-FREAK特征点误差模型视觉里程计。在ICP算法的基础上融合图像匹配技术,将SURF特征提取和FREAK特征描述相融合完成粗匹配,为精配准优化环节提供初值。精配准环节为提高鲁棒性,在特征点空间位置误差模型基础上增加深度相机误差模型,同时以一种新的距离代价函数解决欧式距离不能对特征点误差模型进行度量问题,为进一步提高特征点准确性与降低视觉里程计累计误差,在精匹配后采用卡尔曼滤波对特征点位置误差进行滤波,以提高特征点和深度相机位置减少误差。实验表明,本算法对深度相机视觉里程计问题处理上,定位误差不超过30mm,实时性优于主流的Pn P-BA算法,实时性和精度高于传统的SVD-ICP算法。再次,在上述完成配准及点云地图拼接的基础上,针对点云数据冗余、占据大量存储空间等问题,设计一种多区域八叉树分割算法。在保证环境模型精度的基础上,降低重建过程对计算机内存资源的消耗。首先通过预先区域划分,利用计算机并行计算,同时对每个立方体区域进行八叉树分割;然后利用八叉树的存储结构形式压缩地图数据,在确保室内环境模型精度的基础上,节省存储空间。通过实验表明基于多区域八叉树分割算法,在体素融合地图相较于点云地图,消除了冗余的数据,压缩了98.5%的数据。最后,搭建基于Linux系统的ROS操作平台,使用TUM与NYU标准数据集,对本文实时三维重建中视觉里程计算法及并行八叉树体素模型进行测试,实验表明其定位精度与鲁棒性能满足实际需求。