近年来,室内三维模型感知重建在服务机器人、室内家装设计与语义导航定位等新兴应用领域发挥的作用愈加重要。附有纹理信息的RGB-D相机点云特别适合实现室内场景三维重建,但是重建模型局部会存在空洞和弯曲形变。为了提升重建质量,本文分别采集序列影像点云与相机点云,对这两类点云融合配准并实现三角化网格重建与纹理映射。实验证明,与单一数据源的点云重建模型方法相比,本文算法重建后模型更加细腻真实。本文的主要研究内容如下:1、设计RGB-D相机重建系统,分析其深度信息采集原理和误差来源。采用张正友相机标定法对纹理相机和深度相机的内参与相对外参分别进行标定,为点云采集打下良好基础。之后对相机点云与序列影像点云融合重建概述分析,确定总体技术框架方案。2、研究了一种深度图像滤波方法。对于深度相机点云的采集,首先对各种实时稠密点云重建系统分析比较,选择重建质量最高的Elastic Fusion算法作为基础;针对深度图像的点云空洞与随机噪声,采用帧加权—联合双边滤波算法实现单帧深度图的修复,改进重建算法框架,精度最少提升10%。对于获取序列影像后三角化生成的彩色点云模型,对模型标注标记点,实行尺度约束,使其转换到真实尺度标准下时,相对误差不超过1%。3、研究了点云融合配准与模型重建算法,其中点云配准分为粗配准与精配准两个阶段。在点云配准前先对场景点云预处理,包括目标点云的提取,自适应体素栅格降采样和统计滤波。在粗配准阶段,将彩色点云的灰度化纹理信息纳入距离误差函数中,使用融合几何与光度误差的采样一致性初始配准（SAC-IA）寻找最优坐标变换矩阵,其算法效率提升了15%到25%。在精配准阶段,首先提出SPCA算法精确计算法向量,并对传统的一致点漂移算法（CPD）做出改进,将距离误差度量从点到点扩展到点到面,提出多层次一致点漂移算法（MCPD）;然后结合迭代最近点（ICP）精配准算法调优,以保证准确稳定的点云精配准,实验证明其配准精度和算法效率与其他方法相比均达到了较好水平。论文最后对融合点云进行格网重建与纹理映射,最终实现了室内场景模型三维重建。