事件相机DAVIS（Dynamic and Active-pixel Vision Sensor,动态和主动像素视觉传感器）作为一种新的视觉传感器,能够在同一像素阵列下同时输出图像帧和事件流。由于事件流的数据格式完全不同于图像帧,传统的特征点跟踪和三维重建方法无法直接应用在视觉传感器DAVIS上,因此需要新的算法出现来最大限度的发挥事件相机的优势。本文提出了一种基于DAVIS的事件特征跟踪方法,并在此基础上提出了一种基于事件的半稠密三维场景重建方法。本文提出的特征点跟踪方法将事件流、图像帧和IMU（Inertial Measurement Unit,惯性测量单元）数据作为输入,跟踪过程分为初始化和跟踪两个阶段。初始化阶段,首先使用Harris角点检测器提取特征点,然后使用Canny检测器提取边,并将特征点周围的边作为对应特征点的模板。跟踪阶段,首先从事件流中为每个特征点选取时空窗口,利用EM-ICP算法对窗口内的事件与相应特征点的模板边进行匹配,在匹配过程中同时进行特征点的光流估计。而后,利用计算得到的光流和IMU数据一同对特征点的位置和特征点周围模板边的位置进行更新。在上述所提出的事件特征跟踪方法的基础上,本文进一步提出了一种基于事件的半稠密三维重建方法。该方法基于事件特征和场景中的边信息,利用位姿变换和三角测量完成场景中边的重建,实现了基于事件的三维场景重建。三维重建过程分为两步,首先利用特征点的匹配关系,并运用对极几何和Pn P算法,计算每帧边图对应的位姿,然后利用边图的位姿信息和边图之间边的匹配关系,恢复边图中边在空间中的3D位置坐标。最后,基于以上提出的两种方法,本文实现了一个基于事件相机DAVIS的特征点跟踪和三维重建系统,并利用公开事件相机数据集对该系统进行了测试。实验结果表明本文提出的特征点跟踪方法在特征点跟踪时长和精度两个方面都取得了较好的效果,且三维重建方法同样实现了很好的可视化效果。