SFM (Structure From Motion)是通过运动的相机获取的多视图像集来估计相机位姿(Motion)和重建场景结构(Structure)的过程。由于计算机视觉与摄影测量技术相近,许多研究将SFM流程引入到航空摄影测量中进行空中三角解算,从而提高航空摄影测量的自动化程度。然而摄影测量领域对精度要求非常高,传统SFM方法的三维重建结果精度依赖于两幅图像特征点的精确匹配。另一方面,传统SFM方法使用RANSAC(Random Sample Consensus)算法来鲁棒地估计基础矩阵及相机位姿,而该算法的阈值使用的是固定经验值,不能保证对所有的数据集都能估计出高精确度的模型参数,阈值选取不恰当会影响重建结果。因此,传统的SFM三维重建结果的精度难以达到摄影测量规范的要求。针对以上问题,本文提出一种改进的SFM方法,旨在提高三维重建的精度。本文主要的工作归纳如下：1)提出将基于特征的匹配(FBM,Feature Based Matching)方法和带有NCC(Normalized Cross Correlation)和LSM(Least Squares Image Matching)的基于区域的匹配(ABM,Area Based Matching)方法相结合。该方法采用分层匹配的方式,在图像金字塔顶层进行基于特征点的匹配(FBM),然后采用带有改进的NCC和LSM的基于区域匹配(ABM)方法逐层对匹配点位置进行调整,最终得到高精确度的匹配位置。将修正后的匹配点用于基础矩阵F估计,从提高摄像机参数的估计精度。2)在基础矩阵估计和相机位姿估计阶段,本文提出设置自适应动态阈值的改进RANSAC方法,更加精确地估计出模型参数,从而提高重建的精度。文章最后利用实际的无人机航拍图像序列,结合本文提出的方法完成摄像机的参数估计和场景三维信息回算。