近年来,随着计算机视觉与计算机图形学的快速发展,三维建模技术研究愈发成熟。尤其在微软发布了Kinect Fusion之后,基于RGBD数据的三维建模成为了研究热点,其基本步骤包括图像序列获取、预处理、相机位姿估计、模型融合与生成。然而建模精度一直是一个具有挑战性的问题。本文将围绕多视点RGBD数据的高精度三维建模开展研究。传统的三维建模方法通常存在以下局限:（1）基于单目图像的深度估计往往丢失尺度信息,且存在较大误差;（2）现有位姿求解方法通常为相对位姿估计,存在误差累积问题;（3）三维点云的融合拼接与绘制方法计算复杂度高、需要耗费大量时间。与此相比,隐式神经表示能够将离散信号转化为连续函数,优化离散图像信息。因此,本文将隐式神经表示引入到三维建模及其优化过程中,针对上述局限开展研究,并在自主搭建的三维成像系统中进行实验验证。本文的主要工作与贡献如下:针对尺度恢复问题,第三章提出一种尺度恢复的位姿估计算法;首先提取SIFT（Scale Invariant Feature Transform）特征点,并实现SIFT特征点匹配;然后利用RANSAC算法（Random Sample Consensus）去除错误匹配点,通过对极几何求解变换矩阵;结合RGBD中的深度信息,恢复位姿尺度,并作为后续章节相机位姿初始值,同时记录特征点的三维信息。针对位姿估计误差累积问题,第四章提出一种基于神经辐射场的相机位姿优化方法;通过相机内参构建相机模型,将相机位姿初始值与特征点三维信息作为输入;结合神经辐射场,利用光度一致性与几何一致性对相机位姿进行矫正,实现位姿估计的全局优化;对比实验表明,所提方法的位姿估计精度优于现有方法。针对三维绘制计算复杂度高问题,第五章设计一种多分辨率哈希编码的输入处理方式,可提升基于神经辐射场的三维体素绘制效率;依据优化后的相机位姿,更新特征点三维信息,并以哈希表的形式储存;针对目标特征点,提取不同分辨率的体素特征信息;依据特征点序号获取哈希表中对应特征部分并插值组合,以此作为模型体素绘制网络的输入;实验结果表明,所提方法在保证重建模型质量的前提下能大幅提升绘制效率。