本文首先介绍了现有的三维重构模型和摄像机标定技术。现有的模型基本上都是在理想的小孔成像模型基础上,加上各种畸变补偿组成立体视觉的数学模型。要考虑从世界坐标系到摄像机坐标系的转换,再考虑由摄像机坐标系到图像坐标的转换,是一个正向的节节推理的过程。由于空间中一点与其对应的CCD图像点之间的映射关系是一种复杂的非线性映射关系,受诸多因素的影响,如果采用完全理想条件加畸变来标定系统,边缘尺寸的实际测量将会产生一定误差。　　其次介绍了人工神经网络的原理。近年来广泛用于各个领域的BP人工神经网络技术具有很强的非线性映射能力,它不需要事先设计任何数学模型,通过网络内部权值的调整来拟合系统的输入输出关系,网络的统计信息储存在连接权值矩阵内,通过网络模型的自身学习,获取信息中隐含的知识,从而建立起相应的数学模型。故可以反映十分复杂的非线性关系。从理论上讲,BP人工神经网络技术可以处理任意复杂的多元非线性关系。就像一个黑箱,只需要知道它的输入和输出,不需要去考虑复杂的畸变因素,从而能够有效地克服畸变所产生的误差,从而能够保证重构系统具有较高的测量精度。　　然后是通过图像处理采集用于人工神经网络训练和测试的数据,利用这些数据训练好人工神经网络模型,建立起反映三维实际坐标与二维图像坐标之间关系的神经网络模型,确定了最适合于三维重构的人工神经网络模型的主要参数,并比较了不同的人工神经网络算法的优劣,把人工神经网络的标定精度和现有标定算法的精度做了比较,用训练好的人工神经网络进行平面的重构实验。并且把人工神经网络应用在线激光扫描的结果优化上面,精度提高了近50％。最后是分析总结全文并对其以后的应用方案做了展望。