随着现代计算机视觉的不断进步和发展,三维重建技术引起了学术界和产业界的广泛关注,在模型缺陷检测、智能机器人视觉、3D打印等领域有着非常广泛的应用,尤其是对室内场景进行实时稠密的高质量的三维重建是机器人、增强现实等领域关注的重点。三维重建算法可大致分为双目立体视觉的三维重建和基于RGB-D传感器的实时三维重建。基于双目立体视觉的三维重建,一般是通过多个视角的观察数据帧和帧间的视差信息来计算出物体的深度信息,然后重建出对应的三维模型,该类算法无法满足实时的需要,也无法解决三维重建过程中存在的闭环问题。基于Kinect传感器的三维重建,虽然能满足实时性要求,但是只能在小范围的空间内进行重建,且无法解决闭环的问题。目前基于RGB-D传感器的实时三维重建技术存点云模型包含噪点、重建模型的面元精度差以及局部未对齐问题。影响实时三维重建质量的主要因素有两个,一是点云配准算法求解的位姿精度,二是回环检测过程中关键帧的判定和配准的准确度。因此,要提高实时三维重建的模型的质量,需要从以上两个方面入手。本文以弹性融合算法为基础,详细分析了基于点云和彩色图像的联合位姿跟踪、弹性节点和随机蕨实时数据库后,提出了权重自适应的位姿求解模型和重定义的随机蕨数据库模型。相比之前的弹性融合算法,本文的工作不仅提高了位姿的精度和稳定性,还有效改善了局部场景重建出现的面元不一致的现象。本文的主要工作内容和创新点主要包含以下两个方面:（1）相机姿态的自适应权重模型优化。本文求解相机位姿采用的模型是深度点云ICP配准和彩色图像的RGB配准的联合跟踪计算。为此,首先计算深度误差,采用优化的ICP算法就进行点云配准;其次计算光度误差,使用RGB配准使得对应像素之间的距离最小化;最后,通过ICP和RGB配准后的权重比自适应调整并联合求解最终的相机位姿变换矩阵。该优化模型同时考虑了深度图像和彩色图像在相邻两帧之间的分布情况,使得位姿参数的求解更加合理。（2）随机蕨实时数据库模型优化。针对回环检测问题,本文在随机蕨实时数据库模型的基础上,提出了一种新的随机蕨数据库模型。该优化模型通过重新设计的关键帧的判定函数和引入新的域参数求解关键帧并配准关键帧。当产生回环时使用变形图优化调整并更新场景。该优化的模型可以使得关键帧的判定和配准更加准确和有效。实验表明,相比于原来的弹性融合算法,本文提出的优化算法在一般的室内三维场景的重建中具有非常稳定的效果,即使是在复杂场景、相机移动的速度稍快的场景中依然能保持较高的准确率和稳定性。该算法不仅能在一定程度上提升位姿精度和重建的面元精度,还能修复局部模型中出现的不一致的现象,使得重建的三维模型更加符合真实场景。