自从美国前副总统戈尔在1998年发表了关于数字地球的演讲,地理空间的数字化、信息化正逐步走入人们的日常生活。Google Earth、百度地图等地理信息产品的出现,给人们的生活带来了极大的便利,特别是在交通导航、国内外旅游等方面。在世界从数字地球向智慧地球发展的浪潮中,中国也在极力推进智慧中国、数字城市的研究进展。数字表面模型(Digital Surface Model,DSM)作为地理空间信息的重要产品,得到了极大的关注。生成DSM离不开测区的三维点云。当前,三维点云的主要获取手段可以分为影像密集匹配技术和激光扫描技术。影像密集匹配技术通过覆盖一个测区的多张立体影像,根据同名光线对对相交的原理,从影像的二维信息恢复整个测区的三维空间信息。激光扫描LiDAR系统由全球定位系统(GPS)、惯性导航系统(IMU)以及激光器(Laser Scanner)共同组成,以主动方式快速获取地面模型及空间点云信息。两种技术存在各自的优势与不足之处。影像密集匹配技术具有点云密度大、边缘灰度特征明显、数据获取成本低等突出优势,但是密集匹配结果受影像辐射、地物纹理、遮挡等因素影响；而LiDAR系统具有速度快、时效性强等优点,但是LiDAR系统成本昂贵、获取点云密度较低。针对密集匹配技术和LiDAR激光扫描技术各自的特点,单纯地采用密集匹配或者单纯地采用激光扫描,均无法很好地恢复测区表面的三维信息。如果能将两种技术相结合,充分发挥各自的优势,则能够取得更加精确稠密的三维点云。当前,基于控制点的密集匹配技术多种多样,但是这些方法均不够成熟：一、没有充分利用影像边缘灰度特征明显的优势；二、没有充分考虑LiDAR点云局部范围内局外点较多的特性；三、没有考虑LiDAR点云与密集匹配点云的融合。因此,深入研究LiDAR点云约束下的密集匹配与点云融合方法,研究密集匹配过程中如何充分利用影像边缘灰度特征明显的优势,探索LiDAR点云中局外点的处理办法,并研究LiDAR点云与密集匹配点云的融合算法,具有重要的理论价值和应用价值。本文以LiDAR点云约束下的多视影像密集匹配与点云融合为研究目标,主要工作如下：1)提出了一种多约束的最优立体像对自动选择方法。立体像对是密集匹配理论的最基本模型。选择合理的立体像对不仅可以避免“盲匹配”等冗余计算,大大加快整个测区的密集匹配速度,还可以保证密集匹配点云的精度。针对待匹配影像,本文首先根据其余影像与待匹配影像之间的基线长度,定义基线约束,筛选候选立体像对集合；然后,在候选立体像对集合中,计算每张影像与待匹配影像之间的像平面法向量夹角,剔除夹角过大的影像,进一步筛选候选立体像对集合；最后,在候选立体像对集合中,将每张影像与待匹配影像之间进行特征匹配,获得匹配点,根据匹配点的数目和交会角,最终确定最优的立体像对集合,实现最优立体像对的自动选择。2)提出了一种基于图像引导的分级多步密集匹配算法。传统的密集匹配算法按照代价积聚方式,可以归纳为局部匹配算法和全局匹配算法。局部匹配认为邻域内灰度近似的像素,其视差是是一致的,采用基于图像引导的方式进行代价积聚。而全局匹配算法定义一个全局能量函数,认为密集匹配结果是能量函数的全局最优解。局部匹配方法在边缘等视差阶跃区域有着较好的匹配效果,但是整体匹配效果较差；而全局算法的整体匹配效果鲁棒,但是在视差阶跃区域会出现过度平滑现象。针对局部算法和全局算法各自的特点,本文将两种算法相结合,提出了一种基于图像引导的分级多步密集匹配算法。首先,对HOG算子进行改进,使得HOG算子具备局部辐射线性畸变不变性,将改进的HOG算子作为代价测度；其次,设计一种基于图像引导的非局部代价积聚策略,避免了传统局部算法假设灰度近似即视差一致的局限性,能够在地物边缘保持良好的细节,增强纹理贫乏区域的匹配鲁棒性；其次,提出了一种基于累积代价的半全局密集匹配方法,能够增强代价在纹理丰富区域的传递；最后,提出了一种基于图像引导的内插方法,改善视差图。3)提出了一种基于LiDAR点云约束的密集匹配算法。传统的基于LiDAR点云约束的密集匹配算法,将LiDAR点云作为可靠的控制信息,只允许LiDAR点云存在少量的局外点。但是由于遮挡、时相差异、多次反射等原因,LiDAR点云会在局部范围内存在大量局外点,从而影响传统方法的密集匹配精度。本文将LiDAR点云作为弱“软约束”和强“软约束”。首先,将LiDAR点云作为一种弱“软约束”,采用“边匹配边滤波”的策略,根据匹配视差图,对LiDAR点云进行滤波,剔除LiDAR点云中的局外点；其次,将滤波后的LiDAR点云作为一种强“软约束”,构建三角网,引导密集匹配过程,获得更加精确稠密的三维点云。4)提出了一种LiDAR点云和密集匹配点云一致性检测和融合算法。将LiDAR点云和密集匹配点云进行融合,可以有效恢复遮挡区域的三维信息。但是LiDAR占云中的系统误差点等局外点和密集匹配点云中的误匹配点,会影响融合产品的精度和可视性。本文采用LiDAR点云和密集匹配点云一致性检测方法,剔除LiDAR点云中的局外点和密集匹配点云中的误匹配点,实现高精度的融合。具体过程为：首先,以密集匹配点云为基准,检测LiDAR点云,将高程远远大于密集匹配点云的LiDAR点作为局外点,予以剔除；其次,对密集匹配高程图进行快速分割,提取一系列小块点簇,以经过检测的LiDAR点为基准,检测小块匹配点簇的下方,是否存在高程远远低于匹配点簇的LiDAR点,若存在,则认为该小块匹配点簇为误匹配点,予以剔除。为了检验本文算法的正确性和可靠性,分别采用各种试验数据对匹配过程中各个关键算法进行试验分析,包括代价测度试验、基于图像引导的非局部代价积聚试验、密集匹配算法在Benchmark和实际航空影像的试验、LiDAR点云滤波试验、LiDAR点云约束下密集匹配在实际航空影像上的试验,以及LiDAR点云和密集匹配点云一致性检测试验。最后,采用本文所提出的匹配算法,对多视航空影像,进行LiDAR点云约束的密集匹配和点云融合试验,从精度、点云数目、时间等方面验证了本文算法的有效性。