基于图像的室内外场景三维重建和定位导航技术一直是计算机视觉领域的热点研究领域之一。现有的许多实际应用，如数字城市、智能机器人、无人机、自动驾驶、增强/虚拟现实等，都对场景三维地图的准确性和时效性提出了很高要求。在现有的研究中，大量的研究工作集中于高效精准的三维地图构建方法，但对于如何保持三维地图的时效性，即如何有效地发现地图中的变化并及时更新，还没有系统性的解决方案。针对这一瓶颈问题，本文针对视觉三维地图变化检测和更新算法开展了系统性研究，并在真实场景中进行了实验验证，主要工作如下：

针对视觉定位领域常用的稀疏三维地图，本文提出了一种融合图像特征点匹配和点云几何一致性度量的稀疏地图变化检测和更新方法。该方法首先将新图像批量配准到现有的三维地图中，并与空间位置临近的旧图像进行局部引导的特征匹配，以此度量稀疏地图中3D点对应的图像特征匹配一致性；之后，将三维地图进行栅格化划分，并整体度量每个栅格内稀疏3D点的特征匹配一致性和几何一致性；最后通过马尔可夫能量优化对栅格变化与否进行标记，并将标记为变化的栅格可见图像替换为新图像，完成稀疏三维地图变换检测和更新。实验结果表明，该方法可以有效检测室内外场景稀疏三维地图中的变化区域，相比于数据驱动的端到端变化检测方法具有更好的场景适应能力。

除稀疏三维地图外，针对地理信息、机器人等领域常用的稠密三维地图，本文进一步提出了一种基于虚拟渲染和深度稠密描述子相似性度量的稠密三维地图变化检测和更新方法。该方法首先将新图像批量配准到现有的三维地图中，并在新图像位置通过OpenGL渲染生成三维地图对应的虚拟图像；然后通过逐像素的稠密描述子匹配衡量新图像和虚拟图像之间的像素级一致性；之后通过反投影和空间几何一致性融合，度量每个空间三角面片的变化程度，并通过全局优化方法标记变化区域；最后将标记为变化的空间三角面片可见图像更新为新图像，实现稠密三维地图的更新。实验结果表明，该方法可以有效利用场景语义分割网络提供的深度稠密描述子发现场景中各类细节变化。