多视图立体重建（Multi-view stereo Reconstruction，MVS Reconstruction）的目标是根据一组已知摄像机参数的多视角图像来重建场景的三维模型，是近年来三维重建的一类主流方法。本文针对最新的近百个基于深度学习的MVS方法做了较为系统的算法评估对比。首先，对现有的基于监督学习的MVS方法，按照特征提取、代价体构建、代价体正则化和深度回归的重建流程对各算法进行梳理，重点对代价体构建和正则化这两阶段的改进策略进行归纳总结，对于无监督的MVS方法，主要分析各算法损失项的设计，并按照其训练方式进行分类；其次，总结了MVS方法常用的实验数据集及其对应的性能评价指标，进一步研究特征金字塔结构、注意力机制、由粗到精等策略的引入对MVS网络性能的影响；此外，介绍了MVS方法的具体应用场景，包括数字孪生、自动驾驶、机器人技术、遗产保护、生物科学等领域；最后，提出关于MVS改进方向的建议，并对多视图三维重建未来的技术难点与研究方向进行探讨。

多视角点云配准是逆向工程中的关键步骤之一，具有重要的研究意义和工程应用价值。而对于狭窄场景(如口腔或机械结构内部)获取的点云数据，多视角配准算法的精度直接影响重建精度的好坏。为了提升狭窄场景多视角点云配准的速度和鲁棒性，提出一种基于位姿图优化的增量式多视角点云配准方法。首先针对相邻视角的点云，结合迭代最近点法(ICP)和基于特征的配准方法，提出一种多策略融合的成对点云配准算法，用于求解相邻视角点云的配准结果；然后在增量式相邻视角点云配准的基础上，进一步提出一种基于距离约束的回环检测方法，并依据相邻视角点云的配准结果和回环检测的结果构建位姿图；最后采用实时优化策略对位姿图进行优化，消除累计误差，实现鲁棒的多视角配准。实验结果表明，提出的多策略融合配准算法和基于距离约束的回环检测方法是有效的。经典ICP算法和基于FPFH特征的配准算法在实验中存在失效的现象，而提出的多策略融合配准算法并无失效。基于距离筛选的回环检测方法较常规的回环检测方法效率提高。提出的多视角配准算法在配准牙齿模型数据时精度可达到0.0357 mm。为了验证算法的普适性，采用多个狭窄场景下连续采集的模型点云进行验证，结果表明：提出的算法取得了不错的效果，表明该方法是一种有效的狭窄场景多视角配准方法。

通过沿排列方向间距小于观察者瞳孔直径的4个近眼条状液晶光阀，时序投射各两个视图分别至观察者不同瞳孔，可以基于超多视图实现无聚焦-辐辏冲突的三维显示。但是，一方面，显示频率仅30 Hz，带来闪烁效应；另一方面，条状孔径沿排列方向的小尺寸，严重限制通过该孔径所能观察到场景的视角。本文设计了同时具有时序和偏光特性的近眼条状液晶光阀，并排列各眼对应条状液晶光阀沿观察者双目连线的垂直方向，利用相邻多个液晶光阀所观察到拼合图像相对于仅通过一个液晶光阀所观察场景的视角扩展，基于时序复用和偏光复用的结合进行显示视角的扩展。实验中，将该时序-偏光特性液晶光阀构建为双目眼镜，利用偏振分束器将两台240 Hz电脑显示屏构建形成一个等效正交偏振特性显示屏，两者对应同步刷新显示，实现了对角线视角达70°的超多视图三维显示，离焦模糊效应验证了显示场景的自然聚焦能力。

随着红外传感器的性能提升和应用普及，获取同一场景下同一目标的多视角图像成为可能。为此，提出联合多视角红外图像的目标识别方法。首先对多视角红外图像进行聚类分析，获取多个视角子集。在每个视角子集中，红外图像具有较强的相关性。对于不同的视角子集，它们相对独立。为充分利用这种相关性和独立性，采用联合稀疏表示（JSR）对单个视角子集进行决策。特别地，对于只包含一个视角的子集，则直接采用经典的稀疏表示分类（SRC）进行处理。对于不同视角子集获取的决策结果，基于线性加权的思想进行融合处理，并根据融合后的决策变量判决多视角红外图像所属的目标类别。因此，所提方法在分析多视角红外图像内在关联性的基础上，分别对局部相关性和整体的独立性进行考察，并通过决策层的融合将两者融为一体，提高了最终决策的可靠性。实验中，在采集的多类交通车辆红外图像上进行识别，分别在原始图像、加噪声图像以及部分遮挡图像上对方法进行测试和验证，经过对比分析验证了提出方法的有效性。