Self-calibrated 3D reconstruction algorithms deal with the problem of recovering the three-dimensional structure of the scene and the camera motion using 2D images. A distinctive property of self-calibrated reconstruction methods is that camera calibration (the estimation of the camera intrinsic parameters: focal length, principal point, and radial lens distortion; and extrinsic parameters: orientation and position) is computed using intrinsic geometric information contained in the projective images of real scenes. Algorithms to solve 3D reconstruction problems heavily relay in finding correct matches between salient features that correspond to the same scene elements in different images. Then, by using correspondence data, a projective estimate of 3D scene structure and camera motion is computed. Finally using geometric constraints the camera parameters and the projective model are upgrade to a metric one. This thesis proposes new algorithms to solve problems involved in self-calibrated reconstruction methods, including salient point detection, robust feature matching and projective reconstruction. An improved salient point detection algorithm is proposed, that ranks better interest points accordingly to the intuitive notion of corner points by computing directly the angular difference between dominant edges. A robust feature matching algorithm that merges spatial and appearance properties between putative match candidates that increase the number of correct matches and discard false matches pairs is also proposed. In addition, a projective reconstruction algorithm is proposed that selects on-line the most contributing frames in the projective reconstruction process to overcome one of the intrinsic limitation of factorization like algorithms, to deal with the problem of key frame selection in the 3D self-calibrated pipeline. A full pipeline for a 3D reconstruction algorithm is developed with the proposed algorithms. Promising results are shown and contributions and limitations of this work are discussed.Los algoritmos de reconstrucción 3D auto-calibrada tratan con el problema de recuperar la información 3D de una escena y el movimiento de la cámara a partir de imágenes. Una propiedad distintiva de los métodos de reconstrucción autocalibrada es que los parámetros intrinsecos de la cámara: longitud focal, punto principal, e incluso la distorción radial; así como los parámetros extrinsecos: la orientación y posición relativa de la cámara con respecto a la escena se calculan utilizando información geométrica intrinsecamente contenida en las imágenes de una escena real estática. Es decir, estos métodos no utilizan herramientas adicionales como motores de retroalimentación para el cálculo de la longitud focal o patrones de calibración prefabricados. Sin embargo, el proceso de reconstrucción autocalibrada, depende fuertemente de tener identificados puntos de correspondencia entre regiones de imagenes que representan al mismo elemento de la escena capturados desde puntos de observacion diferentes. Así, utilizando unicamente puntos de correspondencia se obtiene una primera estimación de la estructura de la escena y el movimento de la cámara que no preserva distancias y ángulos, llamada reconstrucción projectiva. Posteriormente haciendo algunas suposciones e imponiendo restricciones sobre algunos parámetros de la cámara el modelo proyectivo se lleva a un modelo euclideando que difiere de la representación de la escena real por un factor de escala y la orientación original. En esta tesis se proponen nuevos algoritmos para el problema de reconstrucción autocalibrada, en particular para los problemas de: detección de puntos de interés, búsqueda de correspondencias y reconstrucción proyectiva. Se propone un algoritmo para la detección de puntos de interés, que ordena mejor los puntos detectados de acuerdo a la noción intuitiva de esquina calculando directamente la diferencia angular entre los bordes dominantes. Un nuevo algoritmo para la búsqueda de correspondencias que integra propiedades espaciales y de apariencia en una métrica de similaridad entre posibles puntos de corresopondencia. El nuevo algoritmo incrementa el número de pares de correspondencia y al mismo tiempo disminuye los errores de empatamiento.