基于图像序列的三维重建技术是计算机视觉的重要组成部分，这门技术的核心是以图片序列和相机参数做为输入，通过计算之后生成三维点云并最终重建为三角网格模型。基于图像序列的三维重建在现实增强、视频动画、文物保护、特征目标识别等领域有较为广泛的应用。目前主流的三维重建方法主要有图像的深度融合算法和基于表面贴片的扩张算法。深度图像融合算法是将双目立体匹配得到的多幅深度图像进行点云匹配融合，融合过程中需要处理大量的噪点，而且最准匹配结果易受光照条件等因素的影响；而表面贴片扩张算法通过图像序列的多目立体匹配提高算法的鲁棒性，缺点是算法复杂、计算量巨大。综上，本文给出了一种基于CUDA的快速重建方法，并且利用CUDA对算法进行了并行加速，兼顾了重建精度和效率。本文算法基于贴片对图像序列进行多目立体匹配，首先，由特征提取及匹配找到一组稀疏的三维点，再通过优化，从而将这些点进行两次不同程度的扩张，最终形成稠密的特征三维点云，最后利用泊松表面重建得到物体的最终模型。与之前基于贴片的算法不同的主要是，本文将算法中比较耗时的部分通过了GPU进行加速，最后的实验结果表明，这种方法能保证较高的精度，并且能大幅度的提高算法效率。本文的主要内容如下：　　 1.设计并实现了一个基于图片序列和两次不同程度的渐进扩张的适时三维重建方法。利用Harris和DoG算子对图像序列进行特征提取，分别对每对匹配的特征点形成一个三维点，然后利用贴片对三维点进行优化，以至形成一个稀疏的点云；通过两次不同程度的扩张方法使稀疏的点云逐步变成稠密的点云，每次扩张后对点云进行一次噪声点的过滤；最后通过表面重建方法把点云转化为光滑的模型表面。　　 2.设计并实现了基于GPU的特征提取方法以及并行优化方法。将重建算法中主要耗时的部分，包括特征提取、特征匹配、点云扩张和表面重建，都利用GPU对特征点提取并进行了并行加速，设计并实现了基于GPU的GPU_Harris算子和GPU_DoG算子；特征匹配和点云扩张阶段都包含有大量的可优化问题，利用这些问题之间的独立性以及GPU本身的高并发性，设计了一种基于GPU的并行优化方法；并且在此基础上，实现了基于GPU的特征匹配和点云扩张方法。　　 3.Middlebury系统的最准测试结果说明，本文重建算法取得了较高的重建精度，特别是对DinoRing48张图片的数据集的重建完成度达到了98.9％以上，由于文中使用了GPU对算法进行了加速，重建时间约减少95％，从而实现了兼顾精度和效率的目标。