现实世界对象的三维重建是计算机视觉、计算机图形学以及虚拟现实等领域中的共性科学问题和核心技术,也是科研前沿热点问题。基于图像的三维重建方法,通过预先采集场景或对象的图像序列,依据二维图像信息重建场景或对象模型。该方法代价低廉,数据源的获取简单,硬件依赖性小,并且随着所获取图像的分辨率的提高,基于图像的三维重建算法在重建质量、稳健性以及计算效率等方面都取得了很多新的进展。运动结构生成(Structure From Motion,SFM)就是一种利用图像序列信息,恢复相机运动参数与场景的结构信息的重建方法,它以序列图像为输入,输出图像特征点、匹配结果、摄像机参数以及稀疏的3D点云重建模型。本文针对运动结构生成常规算法流程中存在的一些缺陷进行改进。本文贡献主要有三部分:第一,提出一个多模型几何验证策略,以适当的几何关系,在保证特征匹配准确性的前提下,提高特征匹配的内点数,进而在保证重建准确性的前提下,增强三维重建效果的完整性;第二,本文参考现有三角测量方法,提出一种高效的、基于采样的三角测量方法,可以鲁棒地在包含外点的特征轨迹内估计所有点的三维坐标;第三,提出了一种利用增量式SFM算法以及输入密集图像集的固有特性的光束法平差方法,通过将冗余摄像机聚集到一组场景高重叠度的集合中实现更高效的光束法平差的参数化,使用迭代光束法平差、再三角测量以及异常值过滤策略提高了增量重建过程中完整性以及准确性,消除部分由于增量过程的漂移导致的误差。在实验阶段,我们实现了本文算法。最后通过三个从互联网获取的数据集的展示了本文的三维重建结果,并与ViusalSFM软件的重建结果进行对比。实验结果显示本文提出的改进对于在三维重建效果的完整性、鲁棒性以及准确性有良好的体现,有较好的应用前景。