视觉运动分析是计算机视觉中的重要研究方向。光流场携带了有关物体运动和三维结构的丰富信息，因此对光流场的研究一直被视为是解决视觉运动分析的有效途径之一。光流法已经成为对图像序列中物体运动估计的主要技术。光流场在机器人视觉系统、资源勘探、基于运动分析的空间卫星跟踪等工业和军事领域具有重要的应用前景。本文致力于图像光流场算法的研究，主要研究工作如下：首先研究了现有的较常见的光流场算法，深入分析了各个算法的适用范围和存在的问题，为进一步的研究工作提供了认识光流这一课题的基础。其次在介绍光流场估计的基础上，着重介绍了Horn-Schunck的经典光流算法。最后通过研究发现现有光流算法存在着对不连续运动与不均匀亮度变化效果不好的问题。针对传统的光流估计方法不适用于在环境亮度不均匀变化，本文采用通用动态图像模型(GDIM)和鲁棒估计结构解决上述问题。该方法是在Black和Anandan的鲁棒统计结构内联合通用动态图像模型，这个亮度变化模型是通用的。鲁棒估计结构用区域内的主要像素点来恢复运动结构，同时排除与主要像素点不一致的点，使运动估计抗干扰能力增强；GDIM模型包含了图像中的辐射度信息，因此在亮度不均匀变化的情况下表现较好。本文方法集成了两种方法的优势，所以对运动不连续和不均匀变化同时具有较好的效果。本文仿真实现了该方法，并针对一些常用运动图像序列，通过使用该算法和传统算法进行实验比较，证明其具有较好的效果。特别是在运动不连续和不均匀光照情况下光流场估计结果得到改善。