近些年随着虚拟现实，自动驾驶等新兴应用迅速发展，市场上对三维模型的需求急剧增加。尽管三维数据的获取技术日趋成熟，很多设备能够直接获取真实场景的高精度点云数据，基于图像的三维重建技术也能够非常方便地使用航拍图像重建出场景的三维点云。然而从这些采集的数据中恢复出适合工业应用的场景三维模型依然是一个非常具有挑战性的问题。这个问题的挑战性主要体现在两个方面:一方面由于采集环境或者采集设备本身的限制，采集到的数据是有噪声的、不均匀的甚至是残缺的;另一方面由于许多应用对性能非常敏感，不但对三维模型的精度有要求，而且要求三维模型的表达形式简洁。完全依赖于数据的三维建模方法的建模结果受到数据质量的制约，而完全依赖于语义信息的三维建模方法的适用范围不够广泛。数据与语义信息相结合是三维建模技术发展的趋势。所以本文从语义分析的角度出发，挖掘场景中的语义信息，并利用语义信息来提高场景三维建模的质量，使构建的三维模型表达形式简洁对硬件设备的性能要求低。　　本论文的贡献主要体现在以下三个方面。1）本论文提出了一种基于多分辨率的线段提取方法，并结合深度神经网络技术分析线段的语义信息。该方法提高了线段的完整性和连续性，降低了线段在立体匹配过程中错误匹配的数量;2）本论文提出了一种基于线段的三维建模方法，使用两步法对三维线段进行聚类，合并冗佘线段，降低了三维模型的复杂度;3）本论文提出了基于点云与三维线段相结合的平面生成方法，解决了三维点云缺失的问题，使平面提取更加完整。　　本论文分别对线段提取，语义分析，三维建模的结果进行了分析，通过与当前常用的方法进行比较发现本论文中提出的方法具有明显优势。