移动机器人广泛应用于室内物流、野外勘探、空中飞行等各个不同的场景,而采用视觉传感器的同时定位与建图技术(Visual Simultaneous Localization and Mapping,VSLAM)被一致认为是移动机器人感知周围环境的基础条件之一,这项技术赋予了移动机器人在未知环境中进行定位和构建地图的能力。对于传统的视觉SLAM方法,其建立的地图是所有传感器观测到的路标点的集合,确定了这些路标点就代表完成了建图任务。对于定位工作来说,可以使用这种稀疏路标点地图,但由于无法从简单的几个点推断空间结构且无法推测是否存在障碍物,所以无法用稀疏地图来完成导航、避障等需要稠密地图才能完成的工作。因此,本文针对移动机器人需要稠密地图以进行大范围定位和导航任务的迫切需求提出了一种实时三维重建方法。本文的具体工作内容如下:首先,本文通过融合视觉信息和惯性信息的里程计获得准确的移动机器人位姿。通过采用对IMU进行预积分等预处理方法,解决了IMU测量频率与视觉测量不一致导致的数据融合问题。随后,将双目相机第一帧的测量与IMU预积分结果对准,得到了较准确的初始估计值。然后,设计了基于滑动窗口的紧耦合非线性优化方法,在保证位姿估计精度的前提下通过关键帧和边缘化机制提高了系统的实时性。其次,本文针对大范围定位时产生的累计误差问题设计了一种基于场景识别和位姿图的闭环矫正方法。在里程计输出的位姿图的基础上,结合场景识别、位姿图优化等方法完成了对位姿轨迹的闭环矫正和优化。该方法可以稳定地消除系统在大范围场景时运行产生的累计误差,保证了输出位姿的精度。然后,本文针对实时稠密建图问题设计了实时三维重建方法。通过用聚类得到的超像素来建模面元地图,使系统能够使用质量较低的深度图。通过将局部地图进行融合并且对地图进行变形,建立的地图实时实现了全局一致性。这种精细的可视化重建地图可以为后续的移动机器人导航、移动操作等任务提供丰富的先验信息。最后,本文开展了面向实时视觉三维重建系统的实验研究,通过不同种真实场景的数据集对本文提出的算法与多种先进的开源算法进行了对比实验。结果表明本文提出的三维重建方法具有较高的定位和重建精度,在面对大范围场景时依然保持了较高的鲁棒性,并且在仅使用CPU的情况下保证了实时性。