近几十年来基于无序图片的三维重建技术由于其所需数据简易、适用范围广、成本低等特性，被研究者们大量深入地研究。同时随着该技术的不断成熟，其已经逐渐地应用到了现实的应用中，如3D打印、城市场景三维地图构建等。目前的三维重建技术对于小规模室内场景已经应用地非常成熟，而对于大规模场景，依然存在一些挑战。针对大规模场景的特点，本文对三维重建流程中的稠密点云生成和表面网格重建这两个模块进行研究，研究内容和创新点总结如下：　　第一，提出了一种结合空间传播和像素级优化的深度-法线图估计算法。该方法首先引入空间传播来提取初始深度图；接着，交替地进行像素级深度调整优化和深度图过滤；最后，优化后的深度图以高度并行的方式进行融合。算法在Strecha、ETH3D、Middlebury等常用基准数据集和实际场景数据上得到了验证。另外设计了一个使算法能处理大规模场景的方案：首先运用CMVS对图片进行聚类，然后把算法单独应用到每个类中，最后把每个类的稠密点云拼在一起得到总的稠密点云。　　第二，改进了基于外存的多级流式泊松表面重建算法。通过分析基于外存的多级流式泊松表面重建的算法原理和实验结果，发现了其中的不足之处，对算法中的预处理步骤进行了优化：首先对点集进行类似hash映射的划分，使每个点对应一个hash块索引，然后通过一种类似前缀求和的方式高效地对点集进行排序，既满足了原始算法的要求，又提高了算法效率。改进的算法在实际数据上也得到了验证。