现阶段由于人工智能的兴起,计算机视觉作为人工智能的一个重要分支也十分火爆,而三维重建又是计算机视觉领域中比较热门的研究方向之一。三维重建主要研究如何根据单视图或多视图进行重建获取三维信息的过程。本课题主要从两个方面研究三维重建:基于运动恢复结构的三维重建算法和基于可变形模型的三维重建算法,并做了相关的改进。具体完成的工作如下:1.首先介绍了相关的技术原理如射影几何、相机模型与成像原理、对极几何、基础矩阵、特征点的检测与匹配、三维可变形模型基础等。2.在基于运动恢复结构的三维重建算法中,主要介绍了对多帧无序图像进行三维重建的整体流程,包括相机标定的基本原理、无序图像的关键帧筛选、特征点的匹配算法、三维物体的稀疏重建和三维物体的稠密重建。针对目前并无成熟的方法能够有效地从无序图像中筛选关键图像进行三维重建这一问题,本文提出了一种基于DDCRP聚类算法的方法,对图像的Bo W词包模型进行聚类,筛选出无序图像序列中的关键帧,在保持重建结果的前提下,提高重建效率。并对多组数据集做了相关实验,结果表明该重建算法高效可用。3.在基于可变形模型的三维重建算法中,主要介绍了形状模型的计算与姿态估计、纹理与光照的建模。通过使用一张图片进行三维重建,在已知物体的三维平均模型的基础上,并捕获对应模型的二维图像以及其特定特征点的坐标,不断迭代直至收敛完成重建。在迭代过程中在传统的主成分分析方法的基础上,我们提出使用概率主成分分析方法,对重建细节进行了优化。并在实验过程中主要对基于运动恢复结构的重建算法无法很好重建的人脸数据集进行了基于可变形模型的三维重建,并且重建结果在效率和精度上表明本文方法高效可用。本文在使用常见的数据集对本文方法进行了多次实验验证,重建结果表明我们算法具有高效性与实用性。