针对传统正摄影像的特征提取算法处理倾斜影像匹配效果不佳的问题，在已有特征提取算法的基础上，提出了一种适用于倾斜影像的特征提取算法——加速KAZE-尺度不变特征变换（AKAZE-SIFT）算法。首先，为保证特征检测的准确性与独特性，采用充分保留图像轮廓信息的加速KAZE（AKAZE）算子进行特征检测；其次，为提升特征描述的稳定性，采用稳健的尺度不变特征变换（SIFT）算子进行特征描述；然后，依据目标特征向量和候选特征向量间的欧氏距离确定粗匹配点对；最后，采用随机抽样一致性算法进行单应性约束，提高匹配纯度。模拟影像在倾斜摄影条件下的模糊、旋转、亮度、视角和尺度变化，对特征提取算法性能进行评估，实验结果表明，AKAZE-SIFT算法相比SIFT算法和AKAZE算法召回率分别提高了12.8%和5.3%，精准率提高了6.5%和6.1%，F1值提升了13.8%和5.6%；提取效率优于SIFT算法，略逊于AKAZE。AKAZE-SIFT算法具有良好的检测和描述能力，更适用于倾斜影像特征提取。

针对基于Delaunay三角化曲面重建方法要求点云密度满足ε-sample条件，提出了一种基于Delaunay三角化的噪声点云非均匀采样算法。首先,利用k-邻近点的Voronoi顶点计算出各点的负极点来逼近曲面中轴(MA)；然后,根据近似中轴估计出曲面局部特征尺度(LFS)；最后,结合Bound Cocone算法，删除多余的非边界点。实例表明，该算法可以准确、稳健地简化噪声点云，同时可以很好地保留曲面边界特征，经简化后的点云适用于基于Delaunay三角化的曲面重建方法。