Apuntando al problema de que la detección de aviones pequeños con textura no obvia es fácil de pasar por alto en una escena de realidad aumentada, se propone un método de mejora de información de escena en 3D para capturar los aviones en una escena de realidad aumentada basado en una serie de imágenes de una escena real tomadas por una cámara monocular. En primer lugar, extraemos los puntos característicos de las imágenes. En segundo lugar, emparejamos los puntos característicos de diferentes imágenes y construimos los datos de nube de puntos escasos tridimensionales de la escena basados en los puntos característicos y los parámetros internos de la cámara. En tercer lugar, estimamos la posición y tamaño de los aviones basados en la nube de puntos escasos. Los aviones se pueden utilizar para proporcionar información estructural adicional para la realidad aumentada. En este documento, se propone un algoritmo optimizado de extracción y emparejamiento de puntos característicos basado en la Transformación de Puntos Característicos Invariantes a Escala (SIFT), y se establece un método rápido de reconocimiento de planos espaciales basado en un Consenso de Muestra Aleatoria (RANSAC). Los experimentos muestran que el método puede lograr una mayor precisión en comparación con el Oriented Fast and Rotated Brief (ORB), Binary Robust Invariant Scalable Keypoints (BRISK) y Super Point. El método propuesto puede resolver efectivamente el problema de la detección faltante de caras en ARCore y mejorar el efecto de integración entre objetos virtuales y escenas reales.