基于多幅图像序列的三维重建，是通过提取物体的二维图像信息来恢复物体在真实空间中的三维信息，其主要步骤包括：图像序列的采集、图像特征点的检测与匹配、摄像机的标定、稀疏三维点云的重建。图像特征点的检测与匹配是三维重建的基础，同时也是下一步摄像机标定的实验依据。PMVS算法是一种基于特征点的三维重建算法，是目前公认的重建效果较好的算法之一。因此，本文重点研究了PMVS算法。 　　但是PMVS算法在重建过程中容易出现重建出的物体表面不连续，某些区域与真实物体的形状有偏差等问题，同时 PMVS 算法在面片扩展时时间复杂度非常高，尤其在处理高分辨率图像时需要付出巨大的时间和空间代价，这大大降低了算法的效率。 　　本文首先利用 SIFT 算法来提取图像序列的特征点，然后采取 Bundler 标定方法(一种基于 SFM 运动恢复结构的算法)进行摄像机的自标定，最后采用 PMVS ( Patch Multi-view Stereo)算法来进行稀疏点云的三维重建。针对PMVS算法存在的不足，本文提出了一种加入法向调整的 PMVS 改进算法，使重建出的物体表面在某些细节部位更加符合真实物体形状，同时通过采用多分辨率分级重建的策略在一定程度上缩短了算法的运行时间，提高了重建的效率。 　　本文实验中通过采集两组图像序列，分别采用原始PMVS算法与改进后的PMVS算法对这两组图像序列进行了实验，实验结果表明，加入了法向调整的 PMVS 算法重建出的物体表面更加光滑连续，更接近物体真实形状，同时采用多分辨率分级重建策略，根据物体表面结构复杂程度进行不同级别的 PMVS 算法重建，既保证了重建的精度又提高了重建的效率。