由于具有分辨率高、扫描范围和景深大等优点,扫描电子显微镜(Scanning Electronic Microscope,简称SEM)被广泛应用于各类微纳米目标的尺寸测量与评估(如微机电系统和集成电路等)。然而,受限于其成像原理,当前基于SEM的观测往往限于平面内,无法直接获取深度信息。在应用需求的推动下,常规尺度下基于光学传感的视觉三维重构技术在近年得到了快速发展。然而,受限于光学分辨率及光学显微成像景深小等限制,常规尺度光学三维重构技术较难直接应用于微纳目标。为此,本文将以SEM为成像设备,以微机电系统器件和微芯片等表面无明显纹理特征、特征尺寸分布在微米级的目标为主要对象,对SEM下的三维重构展开研究。本文的主要工作内容包括以下几点:(1)以多尺度标定板为对象,提出一种基于形态学处理的标定板特征点提取算法,实现SEM视觉成像模型的标定。首先,介绍SEM低倍数下视觉成像模型;然后,针对多尺度标定板角点提取困难问题,开发了特征点提取算法;最后,以经典张式标定法为基础,完成了对SEM的标定,并通过实验进行了验证。(2)以SEM内的五轴精密定位台为对象,先建立五轴精密定位台的运动学模型,通过非线性优化实现运动学模型几何参数的标定。然后,基于标定后的运动学模型实现平台的粗定位,基于自动聚焦曲线实现平台的精定位,从而实现多视角图像序列的自动获取。最后通过仿真对影响定位和模型标定结果的因素进行灵敏度分析,并通过实验结果得标定后运动学模型的定位精度在5微米以内,满足图像序列获取的精度要求。(3)针对弱纹理微目标表面纹理特征区别不明显的特点,提出一种基于光流改进的ORB(Oriented FAST and Rotated BRIEF)特征点匹配算法,解决相似纹理多造成的误匹配率高等问题。该改进的算法基于ORB进行特征点检测、基于LK(Lucas-Kanade)光流跟踪算法进行特征点匹配位置预判,再基于KNN(K-Nearest Neighbor)算法对候选点进行匹配,有效提高特征点匹配效率。最后将经典的特征点匹配算法与本文提出改进的特征点匹配算法进行比较。实验结果表明本文提出的改进型特征点匹配算法的性能得到了有效提升。(4)基于前面的视觉标定结果、图像序列获取和改进的图像匹配算法,对弱纹理微目标的SEM图像序列通过增量式运动恢复结构(Structure From Motion,简称SFM)的方法进行三维重构。首先,对增量式三维重构原理和系统进行介绍。然后,将本文提出改进的匹配算法与经典匹配算法分别用于三维重构实验,进而验证所提特征匹配算法的有效性。最后,通过与两个常用三维重构软件进行对比,进一步验证所提三维重构方法对SEM下弱纹理微物体三维重构的有效性。