相较于文字和图片,三维模型不仅更符合人眼的视觉习惯,也能提供更丰富的信息,因此三维模型被广泛地应用于娱乐、游戏、机器人和医学等领域。经过几十年的研究,三维重建算法的理论日益成熟,能够实现室内和室外场景的建模。但是三维重建任务的计算量大,许多重建算法甚至需要高效的GPU参与计算。针对这一问题,本文研究轻量化三维场景重建的相关技术。三维重建算法包括特征提取和特征匹配等基本步骤。由于相机抖动和遮挡等原因,获取的图像会出现模糊、噪声和光照变化等质量问题。当图像质量下降时,匹配准确率也将下降,影响模型的质量。传统的特征提取和匹配算法为提高匹配的准确率和鲁棒性,消耗的时间成本和内存成本比较大,因此本文改进了特征提取和匹配算法。在提高准确率和鲁棒性的前提下,兼顾时间成本和内存成本。在特征提取方面,本文研究SIFT算法、SURF算法和ORB算法原理,并改进ORB算法。改进算法在提取FAST角点时,采用一种新的自适应阈值。在特征匹配方面,本文研究暴力匹配算法、RANSAC算法和GMS算法原理,并改进GMS算法。改进算法以交叉验证优化算法的输入,并在统计匹配支持度时,使用高斯核对统计结果加权。实验结果表明,改进后的算法能够以轻量化的方式提取和匹配特征点。