近年来，随着智能机器人的不断发展，其所需完成的任务也愈加复杂。在执行各种复杂任务的过程中，机器人常常需要应对各种复杂场景。这些场景中存在着各种形状和外观各异的动态物体，并伴随着各种无法预测的动态干扰。因此，如何提高机器人对环境的感知能力以及如何准确地建模周围的环境，成为机器人面临的主要问题。本文针对动态场景中的运动物体感知和场景重建展开研究，主要内容如下：

一、介绍了动态场景下运动物体感知与场景重建的研究背景与研究意义。从动态物体感知、不确定动态遮挡下的三维建模和立体匹配三个方面对研究现状进行了综述，并对论文的内容和结构进行了介绍。

二、针对现有运动分割方法对动态物体敏感性较低的问题，提出了一种基于分层采样和位姿流形上概率场模型的动态刚体检测与运动估计方法。首先，在位姿流形上建立概率场，采样过程中区域概率的增长反映了采样的重要性，通过对重要位置的多次采样，提高了动态物体感知的灵敏度。其次，针对采样随机性较大的问题，设计了基于高概率区域的分层采样策略，对每个高概率区域对应的特征点集进行重采样，从而筛选出更多有效的点，减小了采样随机性。最后，在KITTI、KT3DMoSeg、Hopkins 155和MTPV62等数据集上的测试表明了所提方法的有效性。

三、针对工业场景中工件的三维建模无法很好地应对动态遮挡的问题，提出了一种基于双目相机的不确定动态遮挡下的三维建模方法。首先，针对动态遮挡问题，提出了一种基于位姿假设聚类的动态物体分割方法。该方法不依赖物体的先验信息，通过聚类随机采样得到的模型假设获取运动分割，避免了因遮挡物类型未知及运动复杂性等带来的问题。其次，针对分割后待建模物体不完整点云的拼接问题，提出了一种基于重叠视野区域的动态物体局部约束和全局闭环约束的优化方法，保证了三维建模的精度。最后，设计并搭建了实验平台，在该平台上的三维建模实验验证了所提方法的有效性。

四、针对现有SGM多路径解选择方法未考虑全局信息的问题，提出了一种基于对极线结构多模型拟合的立体匹配方法。首先，考虑到极线上像素视差分布的空间几何特性，提出了一种基于多模型拟合的SGM多路径解选择方法。该方法整合了整个极线的结构信息，实现了具有相同特性视差点的自下而上的分层聚类与SGM多路径解的选择。其次，在多模型拟合过程中，针对点集合并与模型选择对点集分布不敏感的问题，提出了一种基于几何鲁棒信息准则与模型假设聚类的多模型拟合方法，通过分析模型参数的空间分布，实现了模型的正确选择，提升了鲁棒性。最后，在KITTI 2012、KITTI 2015、Middlebury数据集上的实验表明了所提方法的有效性。

五、针对运动物体感知与场景重建问题，建立了面向动态场景的机器人定位与场景重建系统。首先，针对实际场景中动态物体位置对感知效率的影响问题，提出了一种增量式感知策略。该策略在所提动态物体挖掘方法的基础上，通过挖掘-剔除-挖掘迭代的方式来分割动态物体。其次，针对静态场景重建，设计了先剔除后拼接的策略，将单帧点云中动态物体点云剔除后再进行拼接，从而避免了现有方法在深度滤波时将动态物体遮挡区域滤除导致的重建不完整问题。最后，室内动态场景实验验证了所设计系统的可行性和有效性。

六、对本文工作进行了总结，并指出了需要进一步开展的研究工作。