对交通监控视频中行驶的车辆进行三维重建,不仅有利于车辆的识别和分类,还能进一步丰富交通数据的内容和形式,而目前基于图像序列进行重建的对象都是静态物体或者大型场景,因此对交通视频中运动车辆的三维重建技术进行研究具有十分重要的意义。本文针对三维车辆模型的重建问题进行研究,主要内容包括如下三个方面:首先是对视频中运动车辆的分割方法进行研究。交通视频中的场景往往是复杂的,为了消除背景和其他物体对目标车辆重建的影响,需要将车辆从背景中提取出来。在分析经典的Vi Be运动目标分割算法的原理和流程的基础上,针对固定阈值前景判定方法容易出现误判而导致目标空洞的问题,在判定像素为背景还是前景时使用自适应灰度阈值和颜色畸变阈值代替固定阈值,减少大量前景空洞。针对使用邻域像素初始化背景模型容易出现鬼影的问题,引入基于直方图的Tanimoto系数和欧氏距离的鬼影检测方法,实验表明改进后的算法能有效减少鬼影。其次对图像特征提取和匹配方法进行研究。三维重建的目的是获得目标特征点的三维坐标,因此需要对重建目标进行特征提取和匹配。在分析了经典的尺度不变特征（Scale-invariable feature transform,SIFT）算法和随机抽样一致性（Random Sample Consensus,RANSAC）算法的原理和流程的基础上,针对SIFT算法使用所有尺度空间进行匹配的策略导致运行效率低的问题,使用适合图像中目标物体尺寸的尺度空间进行匹配的策略,实验表明改进算法提高算法效率的同时,也能保留更多的正确匹配。针对RANSAC算法使用随机采样导致的效率低下问题,使用质量函数构建假设生成集再抽样的半随机采样方法,在提高运行效率的同时也能提高特征匹配的精度。最后对三维坐标和相机外参数的恢复方法进行研究。分析了增量式运动恢复结构（structure from motion,SFM）构建稀疏点云的原理和步骤。针对使用串行迭代的重建策略容易降低重建效率的问题,使用基于三视图几何约束分层迭代的重建策略。实验表明分层迭代重建算法在提高重建速度的同时能得到更多的重建点云。