随着科技的飞速发展,计算机视觉领域的三维重建技术应用于越来越多的场景。Kinect相机问世后,微软提出的Kinect Fusion实时重建算法,首次实现了基于廉价设备对目标场景进行实时重建。但其中基于ICP（Iterative Closest Point,迭代最近点）算法的RGB-D相机位姿估计方法,存在因为设备快速移动、数据特征点稀少或缺失等因素导致的位姿丢失问题。因此本文提出多源数据融合的思想,引入惯性传感器IMU来改进三维重建中的RGB-D相机定位,通过使用IMU采集到的位移数据对ICP算法的位姿估计结果进行补偿。为了在实验数据缺少有效配准点时保证相机跟踪不丢失,提高算法的鲁棒性,提升三维重建的精度。本文的主要研究工作如下:（1）在多传感器系统的标定方面,通过分析相机的成像原理和四种坐标系的转换方法,设计了相机成像的几何模型,将二维深度图转换为对应的三维点云。然后使用张正友标定法对相机进行标定,获取几何模型所需的参数。继而通过IMU的误差模型和标定算法,获取到加速度计和陀螺仪的各轴误差和轴平均噪声值。最后选用Kalibr标定工具,设计了相机-IMU系统的联合标定方法,算出相机与IMU坐标系之间的坐标变换矩阵和两者数据之间的时间偏移。（2）针对点云数据配准问题,采用ICP算法并对其进行改进。首先通过ICP算法和IMU分别获取摄像头的位姿变换信息。然后提出具有最优概念的加权融合算法,将IMU和Kinect获取的位姿数据信息进行融合,并将融合后的值参与到ICP点云匹配工作中,解决相机定位失效问题。实验证明,相比原ICP算法,改进方法的配准失败率降低了21.51%,提高了定位精度。（3）在三维重建方面,通过对深度图中噪声来源的分析和四种滤波算法的性能比较,提出双边滤波算法为适合本文实验的去噪方法。然后基于点云配准结果,设计了 TSDF算法,将得到的点云数据融合到网络模型中,实现体积融合。最后通过MC（Marching Cubes,移动立方体）算法,利用点云数据生成多边形网格来对目标模型曲面重建,从而得到物体的三维模型。实验证明,本文重建模型的尺寸与原模型相比,平均误差为4.08%,符合重建要求并具有较为精确的重建效果。综上所述,相比于仅使用RGB-D数据结合ICP算法进行位姿估计,本文提出的融合IMU数据改进位姿估计准确性的方法,可以解决快速移动或缺失有效配准点时造成的ICP算法失效问题,提升相机定位的准确性。据此设计的三维重建方法,可以使三维重建过程更加稳定,模型成像效果清晰真实。