近些年来随着无人机（Unmanned Aerial Vehicle,UAV）的普及,以及数据处理技术的成熟,无人机被广泛应用于灾害风险管理、精准农业、智慧城市、文物保护、测绘、电力巡检、VR/AR等各个领域。利用无人机影像进行大规模三维重建具有价格低廉、模型精细的优点,尽管目前三维重建技术已经很成熟,但是仍然存在一些难点问题。比如在弱纹理区域和重复纹理区域重建困难,在SFM（Structure from Motion）和密集匹配过程都很难匹配到同名点。同时密集匹配是三维重建过程最耗时的部分,目前的商业软件（Photo Scan、Context Capture、Pix4d）和开源软件（Colmap、OpenMVS、CMVS/PMVS）很难满足一些场景对效率上的需求。本文围绕弱纹理区域的无人机影像快速三维重建方法展开研究,针对现有的三维重建方法存在效率低下、弱纹理和重复纹理区域处理能力不足的问题,进行了一系列深入的研究工作,并在三维重建的不同阶段,给出了一些解决办法。（1）在进行SFM之前,需要进行特征点的提取与匹配。特征点提取与匹配的结果以及估计的初始相机位姿的准确度是决定SFM成败的关键因素之一。在弱纹理区域,视觉探测的特征点极少,同时匹配困难。而基于深度学习的特征提取方法在弱纹理区域表现均超过传统方法,在效率上也是最快的。本文将SFM前端特征提取部分分别替换成基于深度学习的方法superpoint、r2d2和传统方法sift,均采用最近邻匹配方法进行特征匹配,然后进行SFM重建。最后分析比较了不同特征提取方法SFM重建点云的精度和完整度,以及相机位姿估计的精度。（2）在密集匹配阶段,针对弱纹理和重复纹理区域重建困难问题,采用一种平面约束下的金字塔Patch Match多视密集匹配方法。通过加入金字塔由粗到细的优化方式,不仅能够提供更优的初值,以便以更少的传播次数得到较好的深度结果。同时在低分辨率上同样大小的窗口有更大的感受野,对弱纹理和重复纹理区域的重建效果有改善。在此基础上,弱纹理区域往往都是平面结构,例如建筑的表面、道路表面等等,在金字塔patchmatch算法基础上加入平面约束可以进一步改善弱纹理区域的重建效果。本文在最后加入了深度图后处理步骤,来进一步滤除密集匹配阶段产生的噪声点,后处理步骤包括小联通区域的去除、空洞填充以及中值滤波。（3）最后在GPU平台上对提出的密集匹配方法进行加速,分别对深度图生成和深度图融合部分进行加速。在深度图生成部分,传统的Patch Match算法采用的是顺序传播的方式,例如开源软件Colmap和OpenMVS均采用了顺序传播的方法,该传播方式并不适合多线程并行计算。本文采用了对称红黑棋盘格的传播方式,该传播方式充分利用了GPU的大规模并行计算能力。最后深度图融合部分,本文采用了OpenMP技术在CPU平台上实现了加速。