基于视觉的三维重建技术是室内目标场景重建,工业视觉检测,以及无人驾驶技术领域等主要组成部分,也是计算机视觉重要的研究方向。三维重建实现方式主要利用立体视觉获取物体的三维信息,目前最常见的三维重建实现方法有主动式三维重建技术和被动式三维重建技术。本文主要研究内容是基于主动式测量原理的RGB-D相机对室内目标场景进行三维重建。由于在重建过程中RGB-D相机受到相机标定算法以及外界环境干扰和系统误差的影响,导致重建精度过低。针对上述问题,本文提出了一种基于PSO-GSA算法和高斯过程回归补偿方法的三维视觉重建技术,具体完成内容如下:（1）针对张正友相机标定法重投影误差过大的情况,提出了一种基于粒子群引力搜索混合算法（Particle Swarm Optimization-Gravitational Search Algorithm,PSO-GSA）的相机标定方法。该方法将粒子群算法（PSO）的开发能力和引力搜索算法（GSA）的搜索能力相结合,对求解的相机内参、外参以及畸变系数进行二次优化,提高了相机标定的精度。通过将基于PSO-GSA算法的标定方法与基于PSO算法和基于GSA算法的标定方法以及张正友标定法进行实验对比分析,最终得到验证基于PSO-GSA算法的标定方法的重投影效果最好,精度最高,并且使重投影误差平均降低20%左右。（2）RGB-D相机可以获取彩色图像和深度图像。深度图像描述着相机与被测物体之间的位置关系,其测量精度直接影响后续的三维重建。为了提高RGB-D相机的测量精度,提出了一种基于小孔成像原理的系统误差校正模型,对不同位置下的深度图上进行图像矫正。针对测量误差,提出了基于高斯过程回归方法（Gaussian Process Regression,GPR）的深度误差补偿模型,利用补偿模型和误差查找表方法对非线性测量距离进行误差补偿,进一步提高相机的测量精度。（3）首先将基于PSO-GSA算法的相机标定法和基于GPR算法的补偿模型应用到载有RGB-D相机的移动机器人（Turtlebot2）上,然后再控制移动机器人运动到不同位置下,利用RGB-D相机获取每一帧的深度图和彩色图,通过相机内参将深度图转换成三维点云信息,利用ICP算法计算当前帧和上一帧之间的位姿关系,把当前位置的点云融合到TSDF网络模型中,最后实现对目标物体的三维重建。通过对测试物体进行重建实验分析,补偿后的点云重建误差可以降低67%左右,有效地提高了重建精度。