伴随着硬件性能的提升以及相关领域的日益成熟，基于RGB-D相机的三维重建技术凭借其高精度、稠密的重建效果，成为了三维重建领域技术革新的关键。在现有基于RGB-D相机的三维重建系统中，输入深度图的质量和形变域估计的精度及效率是直接决定系统性能的关键部分。然而，现有的RGB-D相机获取的深度图普遍存在分辨率低、带有噪声以及深度值缺失等问题，无法提供丰富准确的空间结构信息。同时，针对真实世界中占大多数的非刚性场景，其形变域估计问题的规模远大于刚性形变域估计问题的规模，而针对于非刚性形变域状态估计的高效求解方案具有较高商业价值，各大成熟方案均未公开这部分的设计，形成了技术壁垒，极大地阻碍了非刚性三维重建的发展。为了综合提高系统性能，本文针对基于RGB-D相机的三维重建系统提出了一种NIR图像引导的深度图增强算法并提出一种针对非刚性形变域状态估计的高效求解方案。
　　为了提供更加精准的场景空间结构信息，提高系统性能，本文提出结合近红外特性以及自回归模型思想的NIR图像引导的深度图增强算法。该算法以自回归模型为基础，以近红外光的反射率特征和近红外光在环境光照不理想环境中的鲁棒性为出发点，结合暗光摄影阴影检测，构造了符合近红外光特性的优化模型并求解。实验结果表明，本文所提方法可有效避免在先前基于RGB图像引导的算法中由于复杂纹理所带来的与深度图不一致的梯度信息，有效地抑制在深度增强中“伪影”现象的产生，同时在不引入错误边缘信息的情况下，NIR图像引导增强的深度图也较好地保留了原始深度图中的边缘信息。
　　在非刚性三维重建系统中，非刚性形变域状态估计直接关系到系统能否正常工作以及高效重建。为了保证系统既准确又快速地进行重建，本文提出一种针对非刚性形变域状态估计的高效求解方案。该方案通过推导非刚性形变域构造式，得到其相应的Jacobian、Hessian矩阵，构造了基于列文伯格-马夸尔特优化方法求解的解析式，并依据预处理共轭梯度算法构造了求解算法，基于上述工作，结合CUDA设计了非刚性形变域的并行求解架构。实验结果表明，本文提出的基于并行计算的高效求解方案可以在保证准确的同时有效地减少非刚性形变域估计过程所消耗的时间，并且基本不受问题规模大小的影响，保证了系统的高效性和鲁棒性。