随着人工智能的发展,视频在日常生活、工业发展、智慧医疗等领域发挥着越来越重要的作用。然而,在拍摄过程中由于各种原因使拍摄的画面发生不稳定的现象,这样不仅会给视频的观看者造成不良的观影体验,还会影响后续视频图像的分析处理及识别过程。因此,数字稳像方法研究具有重要的应用价值。对于运动状态复杂的视频抖动,为了得到更好的运动估计模型,以及获取合适的滤波轨迹,保证视频稳像效果,本文主要做了以下几个方面的工作内容:（1）本文首先对数字视频稳像算法的流程及当前常用的评价方法进行了详细的阐述,并对国内外数字视频稳像算法进行了研究现状总结,其中包括2D算法、3D算法以及新兴的2.5D算法,分析了目前数字稳像算法所存在的一些技术难点。（2）本文提出了基于多路径优化的视频稳像算法。运动估计阶段在传统方法基础上将视频画面划分成均匀子块并分别进行机器学习的FAST特征点提取以及KLT算法跟踪,分别计算各个子块的运动轨迹;在运动平滑阶段,通过改进的加入自适应调节参数的能量函数进行多路径的优化,能够根据当前运动状态得到最优的全局平滑轨迹,并通过补偿得到最终稳像视频。（3）本文提出了基于改进自适应Kalman滤波的数字视频稳像算法。在运动估计阶段,将加入距离约束的Shi-Tomasi角点与金字塔光流法相结合计算得到运动轨迹;在运动平滑过程中,对传统Kalman滤波算法进行改进,加入偏差概率分布自适应调整参数来进行实时跟踪,最后进行运动补偿得到稳像视频。针对不同场景、不同类别以及不同运动状态下的抖动视频分别进行大量的计算机仿真实验,并与当前一些应用广泛、效果较好的稳像方法进行对比。实验结果表明,本文方法具有较好的稳像效果。