随着计算机视觉技术的快速发展与消费级RGB-D深度相机的普及,三维重建逐步从传统工业领域走向千家万户,基于RGB-D图像的三维重建技术在视觉SLAM、虚拟现实、CAD/CAM、机械臂视觉抓取等诸多领域都有着广泛应用。但是深度图中存在噪声、图像空洞等问题,传统的点云配准算法很难兼顾精度、速度以及算法鲁棒性的要求。另外,由于计算机硬件等限制,无法针对大场景完成实时重建工作。本文对基于RGB-D图像的三维重建相关技术进行了研究,具体研究内容如下:（1）针对深度图存在噪声干扰、深度值缺失等问题,设计了一种自适应确定滤波参数的改进联合双边滤波算法对深度图进行预处理。推导了相机模型中坐标系间的转换关系,并基于此完成彩色图像与深度图像的对齐,以获得高质量的点云数据。（2）针对迭代最近点算法配准效率低、鲁棒性差等问题,提出了一种基于尺度不变特征转换（Scale Invariant Feature Transform,SIFT）特征点邻域的自适应ICP配准算法。首先,从待配准图像中提取并匹配得到特征点对,完成点云粗配准。随后,在精配准阶段,综合考虑场景结构特征与纹理特征的重要性,在每次迭代中自适应地为每对匹配点赋予不同权重。同时,该算法使用一种基于特征点邻域的最近邻点对匹配与拒绝策略,得到待配准点云间的对应关系,准确高效地求解点云间刚体变换关系。（3）针对点云融合与实时表面重建时内存占用大、执行效率低的问题,提出一种基于哈希结构的体素组织方案,在融合期间高效地对体素块进行管理。基于GPUCPU的双向数据传输机制,设计了一种基于滑动窗口的体素内存分配方案,解决了无效空间的内存占用问题。最后,采用移动立方体算法在体素中并行提取出模型表面,以三角网格面片的形式完成场景重构。将本文提出的算法与其他相关算法进行了实验对比,验证了本文提出算法的有效性和可行性。本文算法可以达到30FPS的实时重建速度,且重建精度较高,使得大范围场景的实时三维重建成为可能。