三维重建技术在近几十年的飞速发展中已成为计算机视觉、图像处理、虚拟现实技术等多个学科的研究热点，并在游戏产业、建筑行业、历史事件重现等领域得到广泛应用。三维重建是在计算机中恢复物体或场景的三维模型，基于多视图的三维重建是目前获取三维模型应用最广泛的手段，而它的一个重要过程是点云重建。多视图三维重建核心算法是以一个物体或场景不同角度的多张图片作为输入，然后对每张图片进行特征点的提取和立体匹配得到三维的点云数据，最后经过表面重建得到最终的三维模型。但是该类算法复杂，并且所拍摄图像集中的图片一般包含大量背景冗余信息，在生成三维点云数据时计算量大，不具有实时性，而且针对不同类型的图片所重建的效果也不一样，所以在三维重建中提高重建效果和实时性成为了亟待解决的关键问题。本文依托实验室项目，在 Furukawa提出的基于面片的三维重建算法(Patch based multi-view Stereo， PMVS)基础上，对古建筑三维重建技术展开研究，主要研究工作如下：　　本文首先介绍了现有的三维重建算法，针对古建筑的结构特点，PMVS算法中所用Harris和 DOG算法提取特征点进行重建的效果并不好。为解决这一问题，本文提出一种基于显著性区域检测SIFT（FT-SIFT）的PMVS算法。实验结果证明，本文所提出的FT-SIFT特征点提取算法优于原PMVS算法中的特征点提取算法，而且去除大部分背景冗余特征点，缩短后期生成特征描述符的时间。该算法在提高目标物体点云重建效果的同时并没有增加重建耗时。　　其次为了最终得到的模型更趋近于真实，其初始输入图片的数量相对要求较高，计算量增大，耗时较长。针对多视图点云三维重建不具有实时性，对点云三维重建过程进行分析。针对特征点提取部分，引入 GPU的概念。在保证重建精度和效率的同时，通过CUDA框架对本文改进的FT-SITF算法进行GPU并行优化。实验结果表明，本文所改进FT-SIFT的PMVS算法相较于原PMVS算法，提升了点云重建的精度和效率，通过GPU并行化加速达到了预期效果。