三维重构技术可以将客观世界中的真实场景进行数字化再现,是计算机视觉和机器人领域一个重要的研究课题。随着应用需求的不断发展,三维重构方法在实时性和可靠性方面面临着新的挑战。本文以基于RGB-D数据的环境特征提取作为切入点,针对特征点精简、匹配对有效性评估、闭环检测及闭环优化等问题展开研究,从而实现在线的高精度三维场景重构。针对RGB-D数据,本文首先对多种图像特征进行对比,通过对实际数据的定量分析,选择具有良好稳定性和实时性的ORB特征用于场景之间的匹配对检测。此外,考虑到传感器测距误差对特征点位置精度的影响,本文建立深度不确定度模型,通过计算每个特征点的深度均值及方差来过滤掉不确定度较高的特征点,从而在提高特征点可信度的同时可以有效降低匹配对的数量。由于传感器的视野范围有限,使用有效算法实现局部场景匹配是进行三维场景重构的重要前提。本文采用奇异值分解算法求解两幅场景之间的旋转平移矩阵。为了找到两幅场景之间最佳的位姿变换,利用类随机抽样一致性算法对特征匹配对进行有效性检测,并引入场景匹配度的概念,基于特征匹配对在三维空间中的位置关系,计算多组旋转平移矩阵的匹配度,选择匹配度最高的旋转平移矩阵作为场景匹配结果。在三维场景重构过程中,为了避免序列场景中的特征点在匹配过程中出现重叠,本文建立了一个全局特征点模型,利用马氏距离作为关联特征点的判断依据,并结合卡尔曼滤波算法实现特征点模型更新。此外,由于序列场景匹配会产生累积误差,本文从所有场景数据中选择具有代表性的关键帧进行场景闭环检测,以提高闭环检测效率,再采用基于图的闭环优化算法实现具有闭环结构三维场景的全局优化,从而提高场景重构的精度。实验结果以及相应的数据分析验证了所提方法的有效性和实用性。