作为智能化战争的一种重要作战形式,无人机集群作战突破了单架无人机负载受限和功能单一的局限,与计算机视觉技术的有效结合,使得其在战场感知、智能导航、目标跟踪打击和战场三维重构等方面展现出了巨大的优势,不管是在军用还是在民用领域,都具有十分重大的研究和应用价值。因此探索具备高精度、高鲁棒性的目标跟踪与图像视觉三维重建算法始终是国内外研究的热门课题之一。本文利用无人机集群已传输回的视频序列与多视角图像序列完成对地面指定目标的跟踪与跟踪场景的复现,针对经典判别式核相关滤波跟踪算法KCF（Kernelized Correlation Filter）存在抗目标遮挡、抗尺度变化性差的问题,与传统增量式SFM（Structure From Motion）稀疏点云重建算法存在特征匹配精确率低、点云重投影误差高的问题提出改进方案。1)针对判别式核相关滤波KCF算法存在的缺陷,引入多特征融合机制,并在此基础上添加尺度滤波器,提高其抗目标遮挡、抗目标尺度变换能力,通过对位置滤波器进行降维和对尺度滤波器响应图子网格进行差值的操作来提升算法执行效率。实验结果表明,改进后的跟踪算法在目标发生遮挡、尺度变换以及短暂丢失视野的情况下,均具备较好的鲁棒性,中心位置误差值（Center Location Error）小于其余参与实验的跟踪器。2)针对经典尺度不变特征提取算法（Scale Invariant Feature Transform,SIFT）描述子维度过高所导致特征提取效率低的问题,利用加速鲁棒特征提取算法（Speeded Up Robust Features,SURF）进行替代,鉴于随机抽样一致性算法（Random Sampling Consensus,RANSAC）所存在的应用局限性,本文提出了一种K最近邻算法（K-Nearest Neighbor）与渐进一致性采样算法（Progressive Sample Consensus,PROSAC）相结合的误匹配点筛选算法来改进特征点的匹配过程,以获取最优匹配集。实验结果表明,当无人机影像产生尺度、旋转角度、光照亮度与高斯模糊的变换时,改进特征匹配过程后的算法能在更短时间内获得更多数量的正确匹配对,匹配精确率和召回率均优于改进前。3)将本文提出的特征匹配算法应用于改进增量式SFM稀疏点云重建,选择基于面片的PMVS（Patch-based Multiview Stereo）算法将已构建的稀疏点云进一步扩展,稠密点云重建完成后进行可视化处理,最终输出三维模型。利用三组无人机集群所拍摄到的多视角图像数据集进行三维重建对比实验,实验结果表明,当数据集包含大视角、低光照亮度、高相似度和细粒度场景时,改进后的三维重建算法均能较好地还原目标纹理、颜色、轮廓和深度等信息,点云重投影误差小,重建精度和效率均优于传统三维重建算法。