基于图像的三维重建技术，即利用拍摄的多幅图像来重建物体或场景的三维模型，相比较利用激光扫描设备获取点云数据进行模型重建的方法，该方法对摄像机设备没有较高的要求，并且受环境约束较小，在诸多领域得到广泛的应用。其中SFM是基于图像重建方法中很关键的一步，而SFM根据是否对摄像机参数进行全局一致性又可以分为增量式SFM和非增量式SFM两种。传统增量式SFM由于依赖初始图像的选择以及每次捆集调整都会累积误差导致精度不高，而非增量式SFM通过摄像机参数全局一致化降低误差，只需要在最后进行一次捆集调整，时间效率和精度更高，因此具有较高的研究价值和应用前景。　　目前非增量式三维重建技术的发展还不是很成熟，仍然存在许多问题。本文对非增量式三维重建相关技术进行研究，给出了一些解决方案，包括特征提取与匹配、鲁棒性参数估计、全局摄像机参数的求解等。本文的主要创新点如下:　　1、研究特征提取与匹配算法，提出一种改进的SIFT算法:(1)进行特征描述时，选择特征点邻域大小为15*15像素的矩形区域进行计算，使得描述向量降为72维，能有效减少计算量;(2)特征点匹配时，考虑匹配点最近邻欧氏距离与匹配正确率的关系以及最近邻与次近邻距离比值与匹配正确率之间的关系，采用基于特征点的最近邻欧式距离、最近邻与次近邻距离比值的双重标准进行初始匹配，可以有效减少误匹配，最后得到正确率不同的两类初始匹配集。　　2、研究参数模型估计算法，结合RANSAC与AC-RANSAC算法的性质，提出了一种本质矩阵估计的图像配准方法。针对改进SIFT方法得到的两类初始匹配点集，分别采用不同的算法对初始匹配集进行提纯，以确保尽可能多地剔除误匹配。同时，引入均方根误差来估计AC-RANSAC算法的精度，以及Sampson距离最小约束法以确定RANSAC的内点集。　　3、研究摄像机全局一致性方法、稀疏点云重建、对点云进行稠密化、网格化以及贴纹理等方法，实现了一个基于多视图的非增量式三维重建系统。