知觉恒常性作为人类视觉系统最基本和最重要的功能之一,对人类正确稳定地感知世界起着极其重要的作用。为了使计算机视觉系统具有类似的感知功能,知觉恒常性计算成为了计算机视觉领域中一个重要的研究课题。论文以知觉恒常性中的颜色恒常性作为研究对象,从无监督的颜色恒常性计算、有监督的颜色恒常性计算、颜色恒常性算法的融合、以及颜色不变性描述四个方面展开了颜色恒常性计算的研究:在无监督的颜色恒常性计算上,针对目前GSI(Grey Surface Identification)算法依赖于相机参数的缺点,提出了一种基于灰色表面的颜色恒常性算法(ColorConstancy using Achromatic Surface,CCAS)。该算法利用迭代的方法来进行灰色表面提取,从而避免了需要获取相机的成像参数。利用CCAS算法得到的灰色表面来估计图像的光照颜色,可以很大地提高光照估计的准确度。在有监督的颜色恒常性计算上,为了克服基于支持向量回归的颜色恒常性算法的单一输出、参数调节繁琐、以及学习速度缓慢的缺点,引入了一种全新的单隐藏层前向神经网络的学习算法ELM(Extreme Learning Machine)算法,提出了一种基于ELM的颜色恒常性算法。此外,为了克服传统的二值化的色度直方图特征维数过高的缺点,论文基于Grey Edge算法框架提取了一种新的低维高效的图像特征作为基于ELM的颜色恒常性算法的输入向量。在颜色恒常性算法的融合上,利用威布尔(Weibull)分布参数的图像纹理描述方法,综合考虑图像的全局纹理特征和局部纹理特征的基础上,提出了一种基于纹理相似性的自然图像的颜色恒常性计算算法。该算法利用Grey Edge算法框架作为颜色恒常性算法的产生器,根据图像的纹理特征,为其选择一个最优的颜色恒常性算法或算法组合。在颜色不变性描述上,基于鲁棒的Diagonal-offset反射模型,定义了两个新的颜色空间。在两个新的颜色空间上,引入了不变矩理论,提出一个基于不变矩的颜色不变性描述子的计算框架。根据不同的颜色空间选择,该框架可以产生:原始图像的颜色不变性描述子和边缘图像的颜色不变性描述子。而这两个描述子的融合又构成了融合的颜色不变性描述子。这些颜色不变性描述子不仅具有对图像光照变化的鲁棒性,而且还具有对图像几何变化以及图像模糊的鲁棒性。