近年来,人工智能以前所未有的速度迅速的发展并应用于各行各业中。在移动机器人、增强现实、无人机等应用中,智能设备需要感知自身在真实场景中的方位以及场景的三维结构。而高精度的三维地图可在这些应用中起到自身定位和先验知识的作用。因此,如何构建高精度三维地图成为了当前研究的热点之一。基于图像序列三维地图构建方案仅需通过普通的摄像头采集数据。此方案因其所需传感器在价格、重量功耗等方面有明显优势而备受关注。而当前基于图像序列的三维地图构建方案主要分为实时的基于视觉的同时定位与地图构建(Simultaneous Localization and Mapping,简称SLAM)和离线的运动恢复结构(Structure from Motion,简称SFM)。然而,随着应用场景越来越复杂多样,现有的基于SFM和视觉SLAM技术的三维地图构建在面对复杂大尺度场景的时候存在着一些问题。一方面,当前的三维地图构建方法难以在图像纹理特征稀疏区域较好估计相机的位姿、优化相机位姿时候存在效率和精度的问题、构建大尺度场景的三维地图时漂移严重。另一方面,现有的三维地图构建方法大多基于手持设备扫描获取序列图片,用户的操作不当等因素造成获取的数据抖动、不连续,这些问题都将影响构建的三维地图的质量。针对上述问题,本文深入研究了室内复杂大尺度场景下的SFM和视觉SLAM技术,提出了一系列针对图像序列的面向室内复杂大尺度场景的高精度三维地图构建方法,不仅比之前的方法具有更高的鲁棒性和获得更高精度的相机位姿,而且能重建获得高精度的三维地图。具体来说,本文的主要贡献如下:(1)针对当前三维地图构建方法在纹理稀疏区域难以有较好特征匹配而导致难以估计获得相机位姿的问题,本文提出了一种使用网格运动估计(Grid-based Motion Statistics,简称GMS)的特征匹配的三维地图构建方法。基于网格运动估计的特征匹配先使用暴力匹配获得特征匹配对,采用统计匹配对的邻域内正确匹配特征点的个数来剔除错误匹配。最终通过实验对比该三维地图构建方法与ORB-SLAM2方法在TUM数据集上估计的相机位姿的精度,证明了此种方法可在大尺度纹理稀疏场景获得高精度相机位姿。(2)针对当前SFM和SLAM方法在复杂尺度场景下的构建的三维地图漂移严重和RGB-D相机测图范围小的问题,本文提出了一种基于手持式RGB-D相机和面元模型的大尺度场景的三维地图构建方法。该方法使用GMS特征匹配的三维地图构建方法获得较高精度的相机位姿和二三维特征点作为本文提出的二三维特征点联合集束调整算法的初值,可加速算法的收敛。且二三维特征点联合的集束调整可将短距离获得高精度的三维特征匹配点作为绝对的约束,提供绝对的尺度信息,联合远端二维特征点优化,这样可以增大RGB-D相机的测图能力。最终获得更高精度的相机位姿。然后使用了面元模型,构造变形图的方法融合和优化点云,可以获得面向室内复杂大尺度场景的高精度稠密三维地图。最后通过实验验证了本文提出的二三维特征点集束调整算法优化的可以获得更高精度的三维地图。(3)针对当前三维构建方法大多基于手持相机扫描获取导致对扫描人员技术要求高,所需人机交互量大的问题,本文提出了一种基于多台RGB-D相机协同扫描的地图构建方法。该方法使用了一种全自动图像采集平台,保证获取图像的质量。并且提前图像采集平台可以提前获取各个图像之间的位置关系的较高精度的初始值。为了在复杂大尺度场景下获得高精度的三维地图,本文提出了一种适用于多站点式三维地图构建的分段式集束调整算法。该算法通过将每个站点作为一个起始分段,每个分段都赋予了一组运动变量,独立求解优化,这样不易陷入局部最优解。分段式集束调整算法通过TUM数据集验证了其可以获得更高精度的相机位姿。而通过多台RGB-D相机协同扫描构建的三维地图的精度也被验证满足智能设备等的需求。本文提出的三维地图构建方法都能在复杂大尺度场景构建高精度的三维地图。基于手持式RGB-D相机的三维地图构建方便、快捷;基于旋转转台式的三维地图构建方法人机交互量低。获得的三维地图可以广泛应用于增强现实、机器人等领域。