交通场景的动态三维重建的目标是模拟重建出交通场景中环境和各种移动对象的完整三维模型。交通场景的动态三维重建对于自动驾驶,辅助驾驶以及交通高效调度有重要意义。精准感知交通监控视频下的车辆全局位置和姿态是交通场景动态重建技术的重要组成部分。虽然近年来,深度学习算法在单目相机下的物体三维姿态估计的问题上取得了重大突破,然而大多算法与相机内部参数相关,难以对海量交通摄像头进行应用,交通监控视频下的车辆三维姿态估计仍然充满挑战。针对该问题,本文主要创新研究成果如下:（1）提出了基于关键点检测的车辆三维姿态估计算法。该算法先将视频图像与相关交通场景点云进行配准并建立映射关系,然后对车辆关键点进行检测,通过关键点的几何关系获取车辆二维姿态,最后借助映射关系将二维姿态转化为三维姿态。此算法姿态估计精度主要依赖于关键点检测精度,与相机内部参数无关,一个训练好的模型能够对全部交通摄像头进行应用。针对交通场景背景复杂,关键点检测困难的问题,本文提出了基于多阶段卷积神经网络的关键点检测算法。通过感受野的增大,关键点长距离依赖的捕捉以及多阶段逐步精炼关键点检测结果的方法,算法能够精准定位关键点,从而确保车辆三维姿态的估计精度。（2）提出了轻量级的车辆关键点检测算法。虽然多阶段卷积神经网络确保了算法的精度,但由于存在多个阶段回归的过程,算法的速度受到了较大的限制。针对该缺陷,本文设计了基于轻量级结构的特征提取网络以及阶段回归网络,大幅降低了算法复杂度以及参数数量。同时为了进一步提高精度,本文研究了阶段间特征融合过程,提出了一种快速有效的阶段间特征融合方法。通过特征提取网络,阶段回归网络,阶段特征融合共三个方面的改进,提高了车辆关键点检测算法的速度与精度。实验结果表明本文提出的基于关键点检测的车辆三维姿态估计算法在精度上超过了目前其他的三维姿态估计算法,同时通过对基于多阶段卷积神经网络的关键点检测算法实施轻量化,本文提出的车辆三维姿态估计算法在交通监控视频场景下达到了 10 fps的速度。