随着智慧城市以及实景三维中国建设的提出,对三维建模的要求也越来越高,高精度的三维城市模型是智慧城市重要的基础数据。但是在三维建模过程中,模型质量会受到天气、重叠度、航拍照片等各种因素的影响,对于航拍照片中移动对象,也会造成模型的扭曲变形以及纹理的失真。因此对三维模型的质量影响非常大,特别是道路中大型的移动车辆在空三解算过程中对同一道路匹配点的不同,导致模型的失真变形尤其严重。在三维建模前,如何自动的消除移动物体对建模质量的影响是一个重要且有实际应用价值的问题。针对移动车辆导致模型的扭曲变形问题。本文采用深度学习技术,首先对图像中运动状态下的车辆进行识别,并对图像中检测到的车辆进行移除,通过深度学习图像修复方法对移除的区域进行修复。本次实验主要是为了解决图像中运动下的物体带来的延迟效果,从而带来的模型扭曲变形,并最大限度的保持基础信息数据,还原真实的三维场景。本次研究主要是从计算机视觉和图像修复机制的角度出发,解决两个问题:目标识别与识别目标的移除。本文的研究内容如下:1、对于目标检测的两阶段检测算法和一阶段检测算法进行说明,通过对比,本文选择对小目标检测性能最优的一阶段检测算法YOLOv5网络模型。首先对图像进行图像增强技术对航拍照片进行扩充,丰富了本次实验的数据集,对该网络模型训练,识别出移动车辆,并给出每一个车辆的置信度。通过训练结果表明该算法具有良好的检测效果,并且检测精度m AP达到了98.6%。2、在对车辆的识别的基础上进行进行掩码处理,通过对图像修复机制进行说明后,本次实验对航拍图像的掩码图像使用Context Econder+GAN进行修复,将原始图像与遮挡图像进行训练。通过周边环境进行修复,并将修复效果进行主观与客观的评价。实验结果表明本论文的修复方法达到了良好的修复效果。3、构建三维实景模型并对模型进行评价分析。将修复前的图像与修复后的图像分别在Context Capture软件中进行三维建模,数据分别导入软件后,通过自动空中三角测量与密集匹配技术后进行纹理的映射,形成三维实景模型。对图像修复前后所生成的三维模型及部分白膜模型进行对比分析,并对前后生成的模型精度进行分析评价。根据模型前后的效果表明,本次实验所提出的方法能够有效的提升三维模型的质量,解决因移动车辆引起道路扭曲变形及纹理的失真。