多视图三维重建由于仅以多视角图像作为输入,具有成本低、操作简单、实时性高等特点,因此在视觉定位导航、无人车环境感知、测绘等领域具有广泛应用。稀疏三维重建作为其中重要环节,关键是实现相机位姿参数估计以及稀疏场景结构恢复,现有相关技术的主要发展趋势有:一方面,传统特征点检测及匹配算法性能已经很难大幅提升,同时传统位姿估计算法往往需要反复迭代以剔除误匹配点对的干扰而导致效率较低;另一方面,随着深度学习在计算机视觉中的深入应用,越来越多的研究人员着眼于将深度学习技术应用于三维重建领域,期望在精度和效率上较传统算法都有进一步的提升。基于传统稀疏三维重建关键技术的局限性以及研究趋势,本文利用深度学习算法,针对稀疏三维重建中的稀疏特征匹配和相机相对位姿估计进行研究,主要内容包括以下三方面:（1）针对SuperPoint特征检测网络只能提取像素级特征点的问题,将SIFT检测的亚像素特征点与Super Point特征描述相结合,改进SuperPoint的特征点精度同时保留其强大的特征描述能力,最后结合Super Glue特征匹配网络实现多算法融合的高性能稀疏特征匹配。该方法获得的匹配点对数量是SIFT匹配算法的2.04倍,且对称极线距离≤10-4的匹配点对比例较SIFT匹配算法提高了7.2%。（2）针对匹配结果中不可避免地存在误匹配点对的问题,基于OANet网络设计了一个用于误匹配点对剔除的匹配点对分类网络。使用该网络对本文多算法融合的稀疏特征匹配算法在DTU测试集上的匹配结果进行分类,内点比例提高了8.3%。（3）针对结合RANSAC的传统相机相对位姿估计算法效率较低的问题,设计了一个以匹配点对作为输入,以6参数的相机相对位姿为输出的相机相对位姿参数解算网络。在匹配点对分类网络筛除误匹配点对的基础上使用该网络估计相机相对位姿,速度较传统算法提高了1.9倍且具有更小的误差,与现有基于像素语义特征的深度学习算法相比平均平移误差降低了2.271°以上。最后基于本文算法获得的相机相对位姿参数在已知相机内参的DTU数据集上进行了左右影像稀疏三维重建测试,获得的稀疏三维点云重投影误差的均值和方差均低于文中所列其他算法。