考古遗存是古代先辈活动遗留下的客观实体和精神文明的物质载体,目前正面临着来自自然活动及人类活动的巨大挑战,数字化模型技术将为其延长生命并赋予新的活力。多视图三维重建方法具备相当便捷、高效和低成本的特点,是有力的数字化手段之一。作为历史遗存的物品纹理相似性很强,多视图重建流程中的特征提取准确性至关重要;另一方面,传统的多视图重建流程到点云或三角化网格即为完成,但历史遗存的展示性需求,希望数字模型拥有纹理贴图以提高表面真实性。为解决这两个问题,本文对局部特征的提取方法和模型表面的纹理映射技术进行了深入研究,以实现高精度遗存三维模型的快速构建。本文的主要工作如下:（1）针对提高特征提取准确性问题,提出了一种联合多尺度与注意力机制的深度学习网络。该网络基于双分支编码器-解码器架构,首先利用共享编码器从输入图像提取不同尺度的特征层;其次关键点解码器通过与编码阶段中相同尺度特征并联构建特征金字塔结构以解决单一预测结构带来的特征信息不足等问题,同时通过描述解码器嵌入空间、通道的混合注意力模型以实现特征的选择性预测;最后面向检测和描述过程分别提出了针对性的损失函数对训练目标进行优化,使网络更好地学习高重复性和区分性的局部特征;（2）针对合成遗存模型表面真实感不足问题,提出一种基于全局与局部优化的快速无缝纹理映射方法。依据正射投影原理以及视图相关性设计了MRF能量方程,实现快速纹理视图选择以及减少纹理接缝的产生,并利用全局颜色一致性和局部泊松图像编辑优化纹理拼接过程中边界顶点颜色分配和纹理块颜色过渡问题,通过求解能量方程及约束最优化函数实现快速的无缝纹理映射方案;（3）在上述两种算法基础上,设计开发了一款面向遗存对象的高精度重建系统。该系统实现了二维图像输入、特征点提取与匹配、网格模型生成以及纹理映射的集成式重建管线。可实现从二维图像到输出带真实纹理的三维遗存模型,极大地简化了遗存数字化工作的建模流程。