自动驾驶是近年来人工智能领域的研究热点。成熟的自动驾驶技术包含环境感知、定位和导航等诸多方面的问题,解决这些问题的核心和关键在于自动驾驶地图的构建。若要构建自动驾驶地图,必须对路面及道路前方三维点云进行高精度的重建。本文提出了一种基于车载摄像机影像序列的点云重建方法,融合了全球导航卫星系统（Global Navigation Satellite System,GNSS）、惯性测量单元（Inertial Measurement Unit,IMU）等传感器数据来进行路面及道路前方高精度点云的生成和优化。不同于同时定位与建图方法（Simultaneous Localization and Mapping,SLAM）,本文所述方法充分利用了离线数据的信息优势,借鉴了多种经典SLAM的建图思想,从而提高了三维点云重建的精度。具体的研究内容包括:（1）基于扩展卡尔曼滤波的车辆位姿估计方法。为了进行高精度点云的重建,必须对于车载摄像机拍摄的每一帧图像估计当前车辆的位姿,本文基于离线的GPS和IMU数据,借鉴MonoSLAM从经典非线性扩展卡尔曼滤波（Extended Kalman Filter,EKF）框架出发,使用了一种多状态、紧耦合的数据融合方法,对多个运动状态变量进行建模,能够对车辆运动过程中每个位置的位姿进行初步估计。（2）基于前视影像序列的点云生成方法。根据车载摄像机采集的视频数据,提取每帧图像的特征点并进行跟踪匹配,在此过程中,分别借鉴了 ORB-SLAM和VINS-Mono中的特征点匹配方法,创新性的提出了一种结合光流跟踪和特征描述符的特征匹配方法。不同于现有的SLAM方法采用的特征匹配方法,该方法具有速度快、准确性高的优势。由于汽车运动过程中拍摄的连续影像之间基线较短,直接使用三角测量难以准确恢复点云。通过之前估计的车辆位姿,利用连续多帧影像基于重投影误差最小化原则设计误差模型,利用最小二乘法获得最可能的点云位置,使得估计得到的点云的空间位置更加准确和鲁棒。（3）基于光束平差法的点云优化方法。构建重投影误差模型,对车辆的位姿和初步生成的点云进行全局优化,使得车辆位姿更加准确,优化后的点云也更加聚合收敛。在开源数据集上对本方法进行了测试,结果表明本文提出的基于车载摄像机影像序列的高精度点云重建方法快速有效,精度较高,最后生成的特征点云能够达到亚米级的精度,可以满足车辆进行车道级别定位的需求。同时,由于充分融合了多个传感器的数据,该方法对数据噪声并不敏感,具有比较强的鲁棒性。