三维重建概念自首次提出起,在短短十余年里急剧发展、不断扩张,其应用场景也在不断增加。常见的SIFT(scale invariant feature transform)、SURF(Speeded-Up Robust Features)等算法中利用尺度金字塔实现尺度不变性从而进行准确匹配,但速度较慢难以满足实时需求。对于实时性的要求较高,SURF、SIFT算法便不再适用,随之应运而生的是ORB(Oriented FAST and Rotated BRIEF)算法,但ORB算法过于简单往往会出现较大的误差。目前针对单尺度的应用场景中的三维重建技术,尚未有能够较好地平衡时间消耗和性能效果的算法。因此本文针对此单尺度应用场景下的三维重建技术进行深入研究,提出一种适用于单尺度场景中的三维重建特征匹配模型。首先,针对特征点检测时Harris特征检测算子对于每一个像素点无差别计算处理导致计算量较大耗时较长的问题,提出一种基于邻域灰度信息预处理的亚像素Harris角点检测算法。该方法通过比较邻域像素和中心像素的灰度值进行预筛选,灰度差大于自适应阈值的像素点通过初筛。对通过初步筛选的像素点计算Harris角点响应值,通过Harris阈值选择的点即为最终的角点。其次,误匹配消除算法RANSAC(RANdom SAmple Consensus)算法的效率易受子集大小、类内点比例、数据集大小影响,本文针对此问题提出一种基于多策略选择的自适应矩阵GMS-RANSAC误配点消除算法。首先,根据提取的特征点的数量选择不同的算法结合策略,依据所选策略调整GMS(grid-based motion statistics for fast ultra-robust feature correspondence)算法的参数设置并使用GMS算法进行第一次的特征点筛选,以GMS的输出结果作为RANSAC算法的输入点集,从此点集中采样进行估计。最后根据最优化的思想对模型计算重投影误差评分,自适应地选择结果更优的矩阵模型作为最终结果。最后,为了解决传统的SURF算法通过构建高斯金字塔计算量大速度较慢,ORB算法速度快但效果差的问题,提出一种新的特征点选择与匹配的HGR模型。HGR模型利用改进的Harris特征检测算法,GMS-RANSAC误配点消除算法和ICE-BA优化算法进行三维重建,适用于不存在尺度变化的情况,解决了现有方法在检测效果和时间性能上无法较好地平衡的局限性。