在计算机视觉、工程设计等领域都需要根据相关数据集确定模型参数,但是所得到的数据中往往存在大量不符合模型的异常数据(又被称为野点),这些野点对模型参数稳健性有很大的干扰。经典的参数估计算法如最小二乘法很难排除这些异常数据对模型的影响。RANSAC算法被广泛应用于提纯数据,从而减少了野点对模型参数的干扰。本文首先介绍RANSAC算法的发展、原理及其改进算法。重点介绍其在遥感图像处理中几何校正和辐射校正的应用。在几何校正中一般是得到控制点对后,直接进行矫正模型的拟合,没有考虑异常数据的影响。本文利用RANSAC算法,剔除误匹配点后再拟合模型。在利用RANSA算法迭代得出稳健的模型参数前,首先要选择合适的几何模型,常用的几何模型是基本矩阵和单应矩阵。在遥感图像几何处理部分,本文主要针对几何处理中的图像配准进行实验。图像配准分为基于灰度特征和基于特征点的匹配方法。本文实验中图像配准基于特征点,计算基本矩阵筛选出影响模型参数的误匹配点；实验表明RANSAC算法剔除误匹配点后匹配效果明显,校正精度显著提高至1到2个像元误差。遥感图像辐射校正分为绝对辐射校正和相对辐射校正。本文主要针对相对辐射校正线性回归法应用RANSAC算法,在寻找两幅图像重叠区域像素间线性关系中,剔除异常数据点,最大限度的利用支持线性模型的数据点拟合得到两图像的辐亮度线性变换模型参数。本文针对一些辐射校正后颜色平衡效果不好的情况,提出对像素点先聚类再拟合的方法。最后介绍对RANSAC算法的一些改进以便提高其运算效率。基于RANSAC算法原理,主要可以从两方面对其改进：每次迭代样本的选取和模型参数的检验。本文除了介绍预检验模型参数的原理,更主要是根据样本选取提出了更加有效的样本预检验模型,即在原来预检验的基础上增加样本预检验。这样不仅减少检验模型参数的计算量同时也提高了样本选取的效率。