基于视觉的三维重构技术是指利用二维图像信息投影恢复目标的三维立体信息,从而满足特定的作业需求,因其具有高效、无损等优点,在工业、农业和建筑等领域得到广泛的应用。在工程应用领域,对持续负载的承力结构进行及时的监测能有效消除安全隐患,通过视觉三维重构技术持续跟踪目标表面的动态变形及损伤程度,是未来替代人工进行监测的关键。因此,研究基于立体视觉跟踪的动压目标变形及损伤重构算法对各类工程的安全防护具有重要的意义。针对工程应用领域中承力结构的动态变形监测需求,开发了视觉监测系统。以试件在力作用下的表面变形和裂缝为例进行视觉全场跟踪监测。重点研究了基于立体视觉跟踪的动压目标损伤变形重构算法。视觉三维重构可划分为两个流程,分别为利用二维图像重构得到三维点云和通过三维点云重构生成拓扑曲面。针对上述流程,本文主要研究了立体视觉系统构建、基于卷积神经网络的目标提取和三维点云处理三个核心环节,探索适用于负载目标视觉跟踪监测的重构技术流程。同时,研究该过程所涉及的技术理论,寻求关键技术突破口,在现有基础上进行了创新。本文的主要研究工作和创新如下:1)研究了双目立体视觉系统及点云生成流程。阐述了成像模型和相机标定原理,并进一步介绍了双目立体视觉系统获取三维信息的基本原理。提出了复杂背景下的图像预处理方法,以提高立体匹配效率和精度,研究了立体匹配方法和三维点云生成原理。在此基础上,提出了双目视觉生成三维点云的技术流程。2)针对动压目标及其损伤的检测需求分别研究了目标检测网络与语义分割网络。研究了实时目标检测网络YOLOv3及其轻量化版本tiny YOLOv3,在此基础上对tiny YOLOv3进行了改进。以710张试件图像为数据集,对三种目标检测网络进行训练并分析其网络性能,结果表明,改进后模型的平均交并比达到0.889,平均检测精度达到0.962,均领先于其它两个模型,最终将改进后模型应用在动压目标的定位识别中。研究了语义分割网络Deep Labv3+,对比了Xception和Mobile Netv2两种骨干网络,以640张试件表面图像为数据集,对两种不同骨干网络的Deep Labv3+进行训练并评估其性能。结果表明,Deep Labv3+（Xception）的分割精度优于Deep Labv3+（Mobile Netv2）,最终采用Deep Labv3+（Xception）来监测目标表面的损伤。3)研究了动压目标表面的三维点云处理算法,并提出了相关改进。研究了三维点云的滤波算法,在利用现有滤波方法去除点云的大尺度噪点和小尺度噪点后,提出了基于颜色信息的去噪方法,进一步去除残留的小尺度噪点。针对变形测量存在偏差的问题,设计了一种矫正目标点云方向的方法,在矫正过程中先根据目标的轮廓特征构造出目标坐标系,然后依据相机坐标系对目标坐标系进行矫正,以便准确获取变形数据。针对三维点云在泊松曲面重构过程中,由于法线方向不一致而导致重构结果出现偏差的问题,提出了一种法线方向改进方法。该方法首先对原始点云进行体素的划分并判断每个有效体素的位置。然后对体素内的点云重新排序,将新的顺序作为法线传播方向,实现点云法线的局部定向。最后依据体素质心的位置和相邻体素间的关系完成点云法线的全局定向。结果表明,定向后法线的偏差均方根不超过0.029。4)设计了双目视觉系统的精度试验,结果表明,系统的测量误差约为-0.424mm,最大相对误差不超过2.478%。设计了静态目标点云测量试验,从而对双目视觉系统获取及处理稠密三维点云方法的综合性能进行验证,结果表明,视觉测量值的相对误差在3.82%内,证明了本文方法具备一定的通用性。在复杂环境下进行了动压目标的重构试验,以处于持续轴向压力下的标准立方体混凝土试件为试验对象、以试件表面产生的裂缝为损伤区域,通过双目视觉系统对其进行实时跟踪采样,测量其动态变形,监测其表面裂缝的拓展情况。结果表明,最大宽度值的绝对测量误差平均值为1.102mm,最大绝对测量误差不超过1.804mm,最大相对误差不超过1.154%,在最大相对变形量为1%～2%时试件表面逐渐形成裂缝。重构所得模型能够较好地描述目标的动态变形过程,视觉方法能够有效监测表面损伤的形成,证明了所提重构方法在承力结构跟踪监测任务上的可靠性。