人类通过眼睛感知世界,因此计算机视觉一直是人们研究的热点话题,也一直用它来服务于人类的美好生活。其中,基于特征匹配的三维重建技术是计算机视觉中最具前沿的研究方向,也被广泛运用于交通监控、医学成像、地址勘察、馆藏展览等多个领域。它是通过特征提取算法生成图像的匹配描述子,利用不同图像之间描述子的相关性进行相关匹配,最后通过计算相机相关参数完成二维到三维的图像重建。所有与计算机视觉有关的技术都离不开特征匹配,而特征匹配结果的好坏将决定计算机视觉技术的成果。本文从特征匹配出发,针对目标跟踪和三维重建的算法开展了如下的研究:1)针对传统的特征匹配算法在采集图像特征点时,因为不同图像的多尺度、噪声、光线强度以及图像间的旋转原因造成图像匹配不理想的问题,采用了改进的SIFT-BRISK特征提取算法。该算法通过构建DOG金字塔,完成多尺度下寻找特征点,并用构建相切圆的形式生成二进制描述符。经过实验验证,该算法与传统的特征提取算法相比,在图像的相似场景、旋转、尺度等干扰下有很强的鲁棒性。2)针对匹配算法计算量大,时间复杂度高的问题,采用了分组匹配算法。该算法从特征描述子的相似性出发,以分组的形式找到相似性最大的一组特征描述子进行匹配计算。经过实验仿真,在一张图片的条件下,该算法与传统的暴力匹配算法的匹配时间相比降低了一倍。3)分析了特定目标跟踪算法中的相关跟踪法和光流法,并从光流法中KLT角点跟踪算法出发,给出了利用改进的SIFT-BRISK特征提取算法完成特定目标跟踪的过程。4)分析了稀疏三维点云重建算法,给出了相机标定中坐标转换与相关参数的求解过程,用实验完成了稀疏三维点云的重建仿真。5)针对稠密点云重建算法中稠密增长的阈值信息量少导致稠密重建效果不理想的问题,采用了改进的区域增长算法。该算法是通过给予增长阈值多维度信息使三维稠密重建更加精细。经过实验仿真,改进的区域增长算法在三维稠密点云的重建上有较好的重建效果。