近年来,随着人工智能和机器视觉技术的快速发展,图像的三维重建已经成为机器视觉领域的热门研究课题,已产生了诸多理论和方法。目前许多图像的三维重建算法通常适用于对大场景成像等纹理细节丰富的场景,但在显微镜应用领域,其主要应用于对平面标本的观测,也有用于观察立体标本的实体显微镜,但局限于光学成像原理成像还是平面的,对立体标本的成像并不能很好观察到标本的三维特征,所以研发面向立体标本成像的三维技术具有重要意义。本文利用实体显微镜对珠宝、电子元器件和矿石等立体标本多角度成像,获得立体标本的显微图像序列,在此基础上进行图像三维重建研究。论文围绕三维重建中各关键步骤展开研究,主要包括:图像预处理、稀疏点云重建、稠密点云重建。具体如下:（1）用多聚焦图像融合的方法对显微图像序列进行预处理。由于显微镜镜头景深范围影响,使显微镜成像过程中无法一次对整个立体标本进行聚焦全视场,导致采集的立体标本显微图像因局部聚焦存在清晰部分和不清晰部分,采用多聚焦图像融合方法来解决显微图像局部聚焦的问题,用多聚焦图像融合方法进行预处理可以很好的解决显微图像存在局部模糊区域的问题。（2）运用基于特征提取的多视图立体三维重建算法对显微图像序列进行稀疏点云重建。针对在实体显微镜应用场景中,珠宝、矿石等立体标本显微镜局部放大观测时存在弱纹理、反光等问题,提出了一种改进的Harris-SIFT匹配算法,以提升对显微图像特征点提取的精度和特征点匹配的准确率。在SFM增量重建过程中利用载物台移动坐标这一先验条件,采用顺序匹配策略进行有序图像序列重建,同时估算新添加图像的相机位姿和恢复三维点;依次将所有图像都重建完之后,利用光束平差法（BA）优化点云模型,最终得到立体标本的稀疏点云。通过实验对比,发现本文算法在弱纹理区域的重建后的点云比较密集,提升了稀疏点云重建的性能。（3）基于深度图融合的方法进行立体标本的稠密点云重建。针对显微镜应用场景下被观测物体整体结构和深度信息缺少,局部区域放大后存在弱纹理的现象,以及传统MVS方法对弱纹理图像深度信息估计误差较大的问题,分析了将PMVS多视图立体匹配算法用于估算图像深度及预测深度图重建稠密点云的方法,提出使用基于深度残差网络的全卷积神经网络方法对采集的显微图像序列进行深度估计和预测,并用预测的深度信息对MVS方法估计的深度图进行修正,使用修正后的深度图进行稠密点云重建。通过实验对比验证了在实体显微镜应用场景下重建的物体结构完整性更好和有更加稠密的三维点云,方法具有很好的鲁棒性。（4）建立了本地立体标本显微图像数据集。由于现有显微图像数据集大多都是针对平面标本的成像,鲜有针对立体标本的成像,本文针对立体标本成像建立了立体标本显微图像数据集。用基恩士超景深三维显微系统VHX-6000拍摄了珠宝、矿石等立体标本的不同颜色、形状、材质的多视角显微图像超过1000张,构建图像数据集。