数字摄影测量在城市三维建模中展现的优势使其已经成为一种重要的技术手段。航摄立体影像密集匹配是通过在立体像对中寻找同名点,然后利用三角测量获得对应地面点的三维空间坐标。利用航摄影像密集匹配可以重建带纹理、颜色、位置信息的密集三维点云,已成为三维建模的重要数据来源。但是航摄影像的覆盖范围大、场景复杂,且存在图像噪声、光照变化、弱纹理或重复纹理区域、遮挡和深度不连续等问题,给密集匹配带来了巨大的挑战。半全局密集匹配算法(Semi-Global Matching,SGM)因具有高精度和高效率的双重优势在摄影测量领域得到了广泛应用,但仍然存在匹配代价无法描述真实差异,固定惩罚参数难以同时顾及平坦区域和深度不连续区域的匹配效果的问题。由于匹配模型中的平滑性假设,房屋边缘等深度不连续区域存在误匹配率较高的问题,导致生成点云的房屋特征丢失,边缘迷糊,前景视差延伸到地面等问题,虽然研究者们提出了很多方法,但尚没有一种方法能够完全解决问题。针对以上问题,本文在半全局密集匹配算法的框架下,进行了如下研究:(1)通过分析不同的匹配代价在航摄影像中的性能,性能评价指标包括视差图精度和点云图目视效果,发现匹配代价决定了半全局密集匹配的精度。实验表明,在航摄影像半全局密集匹配中,相比其它的传统匹配代价,Census代价的匹配精度最高且最鲁棒,基于梯度的匹配代价在深度不连续处的匹配性能较好。(2)针对传统Census变换存在的一系列问题,本文利用Census变换窗口的邻域灰度均值代替中心像素的灰度值,以克服中心像素的灰度值受噪声影响发生突变时导致的匹配错误,然后引入梯度算子来进一步提高Census代价的综合性能。实验表明,融合改进Census变换与梯度的匹配代价和传统Census代价相比鲁棒性更高,并且在深度不连续处具有更好的边缘保持效果。(3)为了处理半全局密集匹配算法中固定参数难以适应不同地形条件的问题,本文利用深度不连续往往对应物体边缘的先验知识,采用基于点互信息的边缘检测方法获取影像的边缘信息,然后根据每个像素的边缘属性自适应地选择惩罚参数:对边缘像素施加小的惩罚参数,对非边缘像素施加大的惩罚参数,最后在半全局密集匹配过程中使用这些参数。实验表明,本文算法提高了平坦区域和深度不连续处的匹配精度,其生成的点云不仅在地面、屋顶等平坦区域的匹配完整度更高,而且房屋的几何特征保留更完整,边缘更锐利。