随着计算机技术及网络技术的迅速发展,对物体或景物三维模型的需求越来越多。基于非定标图像序列的三维重建方法具有成本低廉、操作简单、真实感高等优点,已成为计算机图形学和计算机视觉等领域研究的热点之一。基于非定标图像序列三维重建研究涉及的关键技术有:特征匹配、基础矩阵估计、稠密匹配、相机自定标、欧氏重建等。在三维重建中,基础矩阵和相机自定标是两个核心概念,模型参数估计和三维重建实现是主要研究内容。本文将对相关内容进行重点研究。随机抽样一致性(RANSAC)算法是一个经典的鲁棒性模型参数估计方法,本文提出了基于预检验的快速随机抽样一致性(PERANSAC)算法,通过对模型参数预检验,在保证计算结果置信度的基础上,删除明显错误的模型参数,减少参与检验的模型参数数量,进而提高算法的整体效率。在讨论了影响基础矩阵估计的非算法因素,详细研究了匹配点稳定性对基础矩阵估计的影响后,提出两个Robust基础估计算法:基于PERANSAC的估计算法和基于聚类分析的估计算法。后者在假设基础矩阵估计余差满足高斯混合分布的基础上,用改进的分裂合并EM算法,从聚类分析的角度对基础矩阵鲁棒性估计进行研究。两种算法都取得了较好的性能,由于基于聚类分析的方法更好地描述了基础矩阵估计余差的真实分布,性能优于基于PERANSAC的算法。在相机自定标技术的研究中,首先,在讨论利用和选择景物约束的基础上,提出两个新的消失点估计算法:基于PERANSAC的估计算法和基于聚类分析的估计算法,后者在估计精度上优于前者;其次,提出了综合利用空间平行线约束和相机主点位置约束的线性迭代自定标方法,提高了相机自定标的鲁棒性。论文最后实现了基于非定标图像序列的三维重建实验系统,分析了三维重建系统设计中应注意的问题,展示了部分真实场景的三维重建结果。论文中提出的各种方法和算法分别应用于模拟数据或真实图像数据,都获得了较为满意的实验结果。