随着计算机视觉技术的蓬勃发展,人们越来越不满足于仅通过计算机了解场景目标的二维信息,使用二维序列图像重建出目标主体的三维信息成为了越来越迫切的需求。如今,基于序列图像的三维重建技术已在多个领域发挥着不可替代的作用,然而该技术存在着无法兼顾重建精度与实时性的问题。本文主要关注序列图像三维重建的精度与实时性问题,从三维重建对输入序列图像的分辨率要求较高以及传统三维重建算法无法兼顾精度和实时性这两个问题入手进行研究。首先,针对三维重建算法对输入序列图像分辨率要求较高,以及序列图像相邻图像之间存在大量相似纹理信息的特点,提出了一种基于通道注意力机制和神经纹理迁移的图像超分辨率重建网络CANTT（Image Super-Resolution by Channel attention and Neural Texture Transfer）,通过实验证明了该网络相比几种经典的图像超分辨率重建网络能够得到纹理细节更加丰富且真实的重建图像,为后文基于序列图像的三维重建算法得到高精度的三维模型奠定了基础。其次,针对现有三维重建主流解决方案往往无法很好地兼顾实时性与准确性这个问题,提出了一种基于SIFT-GMS算法的图像特征匹配模型,并基于此模型设计了一个解决方案实现序列图像的三维重建。本文提出的图像匹配模型在保证重建精度的基础上,实现了良好的实时性。该模型在耗时仅为SIFT算法的34.6%,SURF算法74.1%的基础上,同时表现出不次于SIFT图像匹配模型的匹配效果,是一种能够兼顾实时性与准确性的算法。最后,将序列图像的相邻后一张图像作为前一张图像的参考图像,借助本文提出的CANTT网络提升图像的质量,然后使用超分辨率重建后的序列图像进行三维重建,以显著提升最终生成的三维模型精度,为如何提升基于图像的三维重建算法精度提供了一个切实可行的思路。