增强现实是一种将数字化虚拟世界精确叠加到现实世界的技术,虚拟世界对现实世界进行叠加或补充,并以交互方式给用户提供前所未有的感官体验和对现实世界的感知。随着硬件设备和理论算法的发展,增强现实技术迅速发展,可应用于工业制造、游戏、娱乐等产业。增强现实系统具备三个重要特点:现实与虚拟世界的无缝融合,在线实时交互以及虚实空间的配准。虚实空间的配准问题一直被认为是增强现实中的支撑技术之一。三维物体跟踪旨在将预先构建的三维CAD模型与输入图像中的相应目标进行精确配准,在增强现实、机器人等领域具有重要的应用,也是计算机视觉领域的关键问题之一。近年来,三维物体跟踪算法的准确率和稳定性都得到了持续提升,但仅有少量的工作关注三维物体跟踪数据集的构建。随着深度学习的普及,各领域中大规模数据集的构建越来越被重视,为算法的训练、测试和评估奠定了基础,极大地推动了相关领域的发展。以往的三维物体跟踪数据集大多存在规模有限,画面不够自然、真实,多样性不足等问题。基于此,本文创建了两个数据集:全渲染数据集和合成数据集（Render Dataset for Object Tracking,简称RDOT）。本文建立的数据集中包含多种结构和材质的物体、复杂的运动模式,并且在场景、光照、噪声、运动模糊和遮挡等方面有丰富细致的设置。其中合成数据集是大规模的、基于真实感渲染的三维跟踪数据集,是目前三维物体跟踪领域最大的数据集,满足三维物体跟踪算法评估的各种需求。针对现有三维物体跟踪算法测评时使用的数据集不统一,测评结果难以客观全面地反映算法性能的问题,本文基于所构建的数据集,利用平均边缘距离、平均表面距离和重初始化率三种度量标准全面评估了目前主流的三维物体跟踪算法,并对评测结果进行了深入的分析讨论,给出了全面的分析报告和技术展望。此外,基于所构建的数据集,本文提出了对跟踪结果建立误差分析模型,并对结果进行校正的方法,有效改善了三维跟踪的准确率。综上,本文建立了大规模、多样化的三维物体跟踪数据集,在6种三维跟踪算法中进行测试,并给出全面的分析报告,为理解三维物体跟踪算法的局限性提供帮助,也为有效量化评估三维物体跟踪算法提供数据支持,具有重要的现实意义。