三维重建是人工智能时代中智能设备感知周围环境并与之交互的一种重要技术,广泛应用于机器人视觉、无人驾驶等领域。三维重建中针对非刚体和大场景目标重建的应用仍有许多问题值得探讨研究,如:非刚体自身质地柔软,极易在图像采集过程中产生柔性变形,从而导致误匹配和轨迹漂移问题;大场景覆盖范围广,相机采集数据的运动轨迹长,位姿估计误差会在重建过程中持续地累积,容易造成相机中途丢失跟踪。本文开展非刚体和大场景重建研究的基本思路是利用深度数据,通过划分适当的数据处理区间,融合区间数据,减少区间数据融合误差,从而实现三维重建。针对非刚体在数据采集阶段,由非刚性变形而造成的误匹配和轨迹漂移问题,本文提出了根据有效对应点数量映射误差累积的自适应分段策略,将相机位姿估计划分为多个数据处理阶段独立进行,克服了位姿误差的持续累积问题,并在此基础上融合形成完整的相机运动轨迹。针对划分的数据处理阶段内累积的位姿误差导致不同划分区间拼接处出现表面不平滑现象,即折痕问题,本文结合刚性和非刚性全局优化进行处理。在刚性优化中,基于ICP算法提出了model-to-model能量函数优化分段处理区间的刚体变换矩阵,以减小折痕;在非刚性优化中,加入了基于仿射变换的非刚性约束,使最终生成的非刚体三维模型完整且平滑。为了提高大场景三维模型的细节精致程度,本文提出了结合深度和彩色数据的场景子网格重建算法。彩色数据在几何信息缺失时可提供纹理信息,从而使相机位姿估计更加准确。在大场景三维重建中为了防止位姿估计误差在重建过程中持续累积,研究中使子网格沿相机运动轨迹移动,每个子网格内分别进行位姿跟踪和数据融合,并针对相机大幅度旋转运动的情况提出了子网格移动策略。利用LM方法优化子网格在全局坐标系中的位姿,通过步长系数和优化权重的设定,进一步降低位姿估计误差。本文通过人体三维重建实验验证了所提出的非刚体三维重建算法,通过自采数据和公开数据集实验验证了本文提出的大场景三维重建算法。