光流是指图像中灰度模式表观运动的速度，它不仅包含了被观察物体的运动信息，还携带了丰富的3D结构信息。光流计算在视觉运动研究中有着非常重要的作用。它主要涉及到人工智能、图像处理、计算机视觉等学科，在军事、工业、交通和医学等众多领域都有广泛的应用，光流计算技术已成为当今视觉运动研究的一个主要方向。　　变分光流计算的主要思想就是将光流场的求解转换成某一全局能量泛函的最小化问题。本文对图像序列变分光流计算技术进行了系统地研究和分析，总结了变分光流计算模型的通用形式，并把能量泛函的最小化过程与扩散联系起来。对能量泛函中的数据项和平滑项进行了详细的分类，并给出他们的变分表达式和适用范围。对数据项的结合使用给出了数学表达式，并通过实验给出各自的适用范围。　　本文提出了一种基于图像光流联合驱动的变分光流计算模型。数据项采用灰度守恒假设与梯度守恒假设相结合、局部约束与全局约束相结合的方式，大大提高了光照变化情况下光流计算的准确性和鲁棒性，同时引入一种正则化因子，提高了光流的计算精度。平滑项从直接设计的扩散项得到，采用图像与光流联合驱动的各向异性平滑策略，这样可以在不受能量泛函可微性和凸性限制的情况下，通过设计扩散张量的两个本征值来控制光流扩散速度，以更好地保护运动边缘。最后采用多分辨率分层细化策略来实现算法，可以有效地处理大位移光流计算问题。本文提出算法具有较高的计算精度和较强的鲁棒性，适合复杂背景、多物体运动图像序列的光流场计算，且适合真实图像序列光流计算，算法具有一定的普适性。　　最后，采用多组合成图像序列和真实图像序列进行实验，主要验证变分光流计算模型在光照变化、运动边缘、背景复杂、多运动物体、强噪声干扰、大位移运动、多种运动类型等情况下图像序列光流场计算的有效性和鲁棒性。通过使用光流矢量图和计算结果误差与其他算法进行对比，证明了本文算法无论是有效性还是鲁棒性都要优于其他光流计算方法。通过对多组不同运动类型的图像序列进行实验，验证了本文算法具有一定普适性。