随着社会发展的信息化，人们对办事效率的要求也越来越高。在硬件设备图形、图像处理能力不断增强，网络通信速度不断提高的时代，网络视频会议已经成为一类非常重要的产品。其发展经历了模拟电视会议，专有网络视频会议及IP骨干网络视频会议等阶段。结合性能不断提高的PC终端及Internet网络带宽，软件视频会议将成为流行的典型应用。而新兴的3D摄像成像技术，为相关应用开发提供了可能。本文以基于Kinect多媒体摄像头实现的3D网络视频会议系统为背景，研究了系统连接模式，以及人物模型与三维场景的融合算法。该系统分为中心服务器端和用户终端。用户终端采集与会者的3D人物模型，通过网络传输送到服务器端，在服务器端完成人物与场景融合。以此来实现虚拟3D会场中，与会者聚集在一起参加会议的场景。在系统结构上，本文讨论了三种主流的连接模式，通过对系统效率、复杂度的分析，以及网络3D视频会议系统的具体功能需求分析，确定了中心化连接模式的系统架构。并从硬件、软件等方面讨论了实现系统架构的环境配置。人物三维模型与虚拟场景融合算法的讨论中，本文首先构建了一个三维会议室作为虚拟场景。然后研究人物模型数据特性，基于DirectX矢量矩阵作变换调整，并优化了点云数据存储结构来降低系统资源的开销。针对传统的三角渲染效果不理想的问题，通过优化原有的数据结构，使之符合物体表面基本三角形元素划分的排列规则，并结合系统的庞大数据量，提出了三角渲染结合点结构渲染和线条渲染的方法。实验结果表明由Kinect摄像机中得到的人物模型数据经调整、以及特定变换后，通过优化的渲染方法能够融合在Direct3D环境下的虚拟场景中，并得到了较好的渲染效果。