随着图像传感器技术的飞速发展,便携式的相机设备也越来越普及,比如手机、数码相机等,从而使得人们获取图像信息的方式越来越方便,获取的图像精度也越来越高。然而,二维图片始终无法还原真实的三维世界,专业的三维扫描设备价格贵、使用门槛高,如何利用便携式相机拍摄的图像快速有效的重建三维模型已成为当前需要解决的问题,本文针对基于便携式相机图像的三维重构中由于特征点匹配速度慢导致三维重构速度慢的问题展开了深入研究。本文主要研究重点为三维重构中特征点的匹配算法,SIFT特征点提取算法是基于便携式相机图像三维重构技术中应用最为广泛的算法,其所构建的特征向量不仅对图片的旋转、尺度缩放和亮度变化具有不变性,对图片的视角变化、仿射变换和噪声也能保持一定程度的稳定性。但是,由于SIFT检测出的特征点数多且根据每个特征点所构建的特征向量描述子更是高达128维,导致在后续的特征点匹配过程中计算量巨大且耗时严重。为解决这个问题,本文提出了一种基于欧氏距离和特征向量夹角的最近邻搜索算法,算法首先对数据进行降维操作,计算高维空间内所有向量到原点的欧氏距离并进行排序,再计算高维空间内所有向量与随机选择的参考向量之间的夹角并进行排序。然后在设定完查询范围参数之后计算查询向量到原点的欧氏距离,通过设定的查询范围参数率先淘汰掉一批非最近邻点,缩小检索范围。最后计算查询向量到参考向量之间的夹角,在缩小后的范围内,以此夹角为中心,检索出最近邻。实验证明,本文提出的基于欧氏距离和特征向量夹角的最近邻搜索算法在SIFT特征向量的匹配过程中能大幅提高匹配效率。最后进行的三维重构实验也证明了此算法在有效提高匹配效率的同时匹配效果也并未丢失。