基于序列图像的三维重构作为计算机视觉领域的一个重要的基础问题,在近二十年中已经被大量研究。研究学者试图寻找一种简单的方法能够迅速地从图像序列中构建出精确的三维模型。然而,有很多的因素严重影响到这些算法的精度和效率,比如各种噪声,图像中存在的遮挡以及目标物体的形状,物体表面纹理复杂度等等。图像对之间的基础矩阵估计对于基于序列图像的三维重构来说尤为重要。由于我们从图像中提取出的初始匹配特征点通常包含了大量的噪声和误匹配,使得精确而有效地估计基础矩阵变得非常困难。为了解决这个问题,我们提出了一种新的稳健的基于收缩性凸包和角度约束的方法来计算基础矩阵（CHSAC）。在图像对的初始匹配中,随着凸包的收缩,我们得到初始匹配的一些子集,这些子集所包含的误匹配的大大少于原初始匹配。通过这个子集,我们计算得到一个初始的基础矩阵,同时子集中的匹配特征点被赋予一定的权重因子从而产生一个权重因子表。通过使用角度约束方法,我们从这个表中提取出优化的样本。基于这个优化样本,通过具有稳健的算法计算得到最终的基础矩阵。模拟数据和真实图像实验表明,与现有的其他方法相比,我们的算法能够以一个合理的计算量,提高基础举证估计的精度。这种新型的收缩性凸包与角度约束算法（CHSAC）能够使用在基于图像的三维重构相关算法中,从而提高算法的精确度和鲁棒性。实验表明,该算法与其他方法相比具有较高的鲁棒性并且能够得到更加精确的结果。本文中CHSAC被嵌入到三维重构算法中,计算最终的三维模型。在三维模型的可视化中,我们使用三角形网格来显示三维模型的表面。包含矢量方向的三维点云数据通常是很多曲面网格生成所必须的。由于基于图像的三维重构中,我们所得到的三维点云数据不包含矢量信息,使得我们需要通过其他的方法来计算点云数据的方向矢量。本文中我们提出一种新的便于理解和应用的方法来计算这些矢量。