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。

热红外图与可见光图的融合分析在智能安防和故障检测中应用广泛。针对同一场景下两图像在融合过程中难以匹配的问题，提出了一种基于特征轮廓四边形的图像配准方法。首先通过分割算法分别对热红外图和可见光图进行过滤；再进行边缘轮廓点的检测和轮廓的重新绘制；然后通过算法筛选出特征轮廓并进行多边形近似，生成特征轮廓的外接四边形；将此四边形顶点代入改进的单应性变换模型计算参数，其中加入了位移变量偏差值可中和80%的误差；最后，通过单应性变换模型对热红外图进行变换配准。实验结果表明，该方法使轮廓定位更加精确，有效减少了匹配误差，能够实现图像的高精度快速配准。