随着SLAM技术和3D成像设备的发展，越来越多的研究尝试在移动场景下进行三维重构，本文的主要研究移动机器人载着传感器在场景中移动，通过不断的对场景进行三维扫描，实时重构出整个场景的三维模型。针对这一问题，论文的主要工作如下：　　（1）由于移动场景点云数据量庞大，处理过程又需要保留足够多的几何特征，以及复杂场景下噪声的干扰，再加上算法对实时性要求较高，传统的基于距离、曲率、特征的方法，已无法满足新的应用需求。本文引入了一种新的特征描述子——点特征直方图（PFH），由于不同几何体表面的点的PFH分布存在显著的差异，本文提出了一种基于PFH的移动场景点云精简算法，利用PFH特征分布的标准差进行快速分类，使得压缩后的点云既能保留足够多的几何特征，又能满足移动场景下重构算法实时性对于压缩率的要求。　　（2）图像融合是将两个或者两个以上的传感器在同一时间或者不同时间获取的关于某个具体场景的图像或者图像序列信息加以综合，以生成新的有关此场景解释的处理信息，而这种信息无法从单一的图像源中获取，融合后可以获取更可靠，更丰富，更准确的有用信息。本文提出了一种基于区域遮罩的深度图像与RGB图像的融合方法，融合后的图像不仅包含了场景的空间深度信息而且还具有丰富的表面纹理信息，利用融合后的图像可以重构出更加真实的三维场景。　　（3）本文提出了一种基于PFH与信息融合移动场景实时三维重构算法，一方面通过基于 PFH的点云精简算法有效的减少 ICP算法输入的点集的数量，采用信息融合的思想，利用惯性传感器获取偏移值，为 ICP算法提供一个有效的初值，以此来减少 ICP算法的迭代次数，提高收敛速度，从而提高整个重构算法的实时性。另一方面，为了提高重构算法的准确性，本文还利用图像融合的思想，通过RGB图像去修复重构模型的表面纹理，以获得更加准确的重构结果。