本文系统地阐述了计算机视觉中场景的两个视图特征点匹配及三维重构的发展动态及基本理论，详细分析总结了光学图像几何约束的特点、参数求解及应用范围。深入研究了利用有效的几何方法解决曲面场景特征点匹配的问题，及其重构方法。 第一章的绪论部分对这一课题进行了综述。指出曲面场景的特征点匹配及三维重构是计算机视觉的重要组成部分，同时也是难点之一。本章介绍了国内外的研究现状，对已有方法进行了概述，对优缺点进行了比较。对特征点匹配的方法进行了分类，主要是基于点模式的匹配，包括种类、典型方法。给出了计算机视觉中涉及数学计算方法的鲁棒性，另外介绍了广泛研究的视差匹配方法：介绍了重构方法。介绍了本课题在计算机视觉中的应用及课题的研究目标。 利用图像的特征点进行两视图有遮挡的曲面图像的分析，利用平面同形这一一般的几何约束与广泛采用的对极几何约束相结合进行两个静态视图特征点对应的研究。指出了对极几何在立体匹配中的作用及其一维约精确匹配的限制性，同时详细介绍了同形映射这个几何约束的特()利用Sampson误差计算同形的数学方法，用于含有平面的场景进()点匹配。提出以两种几何约束下匹配误差为最小准则的优化技术，用GA进行求解全局最优值，与广泛应用的单独由对极几何约束的匹配方法相比，增加同形约束克服了其解决曲面图像点匹配的误匹配率较高的缺点，不受图像尺度、坐标的影响。与传统的相关法相比，优化的方法对噪声更有鲁棒性。另外对于迭代算法给出了实验验证，采用随机抽样提取初始匹配中的误匹配，获得较好的实验结果。 提出了利用已知基本矩阵匹配两个视图特征点需要的几何参数求解方法。从射影和仿射投影两种情况分别讨论。如果是射影摄像机获得的场景投影采用柏关法进行角点的初始匹配，然后用鲁棒技术进一步精确地求取基本矩阵的参数。对于仿射图像，采用神经网络的方法，仅从特征点的位置信息可获得光学图像对的仿射基础矩阵参数，同时还能得到对应的点列。对于遮挡严重的图像，提出用随机概率匹配三视图求解摄像机参数，由三焦点张量与特征点的几何关系求解两视图之间的基本矩阵。 给出特征点的受确定性分析，获得立体图像的装置受到系统误差和噪声的影响，给出的特征点观测位置是不准确的，有效地计算匹配点的不确定性是引导正确匹配和衡量匹配算法优劣的关键问题。首先对特征点的不确定性进行建模，然后根据特征点匹配的几何约束对误差传播进行分析，利用高斯函数的性质，提出了利用高斯分布函数计算匹配点不确定性的方法。从匹配点误差的来源及误差对匹配结果的影响，给出特征点匹配不确定性的鲁棒算法，基于正态函数进行随机数据计算及权值再分配法能最大限度地利用有效数据。与模糊法相比，鲁棒不确定性能获得更精确、对噪声更鲁棒的结果。给出基于不确定性的概率法检测误匹配；以最佳重投影精度为代价函数求解三维重建点的不确定性，可有效地提高曲面物体重构精度。 本文详细研究了同形约束下的曲面场景三维重构方法，类似于人眼对物体的识别方式，用物体图像的特征来恢复物体大部分的三维信息。提出基于三角形的重构一体化方法，解决了特征点匹配的误差造成的无法确定三维空间点投影源的问题。给出从射影重构到仿射重构再逐步过渡到欧式重构的分层重构方法，从两个角度逐步获得场景的三维位置信息。对于不易获得消影点的的复杂场景采用标定摄像机内参数的方法获得二次曲线，对绝对二次曲线的像和摄像机标定之间的几何关系从物理意义出发，指出当摄像机内参数及基本矩阵为已知时可利用匹配点计算结构的射影重构及恢复结构的欧式重构，进行从射影到欧式的重构。不需求解两个摄像机的相对位置，避免了数值解的不稳定行。