本文基于PrimeSense1.09深度相机研究室内场景的3D重建问题,对广泛研究和使用的传统KinectFusion算法存在的缺陷进行改进。研究了针对传统KinectFusion算法使用密集体积来存储3D场景信息,由于内存容量等的限制使得KinectFusion只能用于小场景物体的重建的不足,借鉴使用Hash结构的方法来解决内存空间限制这一问题。本文使用Hash结构,允许进行实时访问和隐面数据的更新,并且不需要定型或分层网格数据结构。而且,数据可以高效地进出Hash表,实现GPU和CPU数据交换,弥补空间不足的缺陷,这就为传感器运动时存储空间的可伸缩性提供了方便,并能够将新的场景信息不断拼接到已有的场景模型中,最终实现大范围场景信息的3D重建。研究了针对KinectFusion算法在位姿估计过程中使用点-面的最近点迭代(ICP)算法,由于其对初值敏感,且易陷入局部最小,在使用ICP算法进行匹配和跟踪定位时存在累积误差,导致相机突然运动时不能有效跟踪,在基于Hash结构的KinectFusion算法的基础上,提出一种结合陀螺仪进行扩展卡尔曼滤波器(EKF)数据融合的方法。使用一种型号为LPMS-CU(OEM)的陀螺仪传感器测量得到的相机位姿,与通过ICP算法计算得到的深度相机的位姿,使用EKF进行数据融合得到更加精确的位姿,并在相机突然运动时仍然能够实现有效跟踪,提高了算法的鲁棒性。实验结果表明,本文所采用的改进算法能在一定程度上解决KinectFusion算法存在的问题,能有效的应用于室内场景的3D重建中,并取得良好的效果。