姿态估计(poseestimation)是计算机视觉领域中的经典问题。本文所提到的姿态估计，就是在已知目标的三维形状模型的前提下估计目标在三维空间中的姿态参数。在姿态估计中，有两个关于观测的基本问题需要研究：1)姿态评价(poseevaluation)，即如何评价目标形状模型在给定姿态下的投影和图像数据之间的匹配程度；2)姿态优化(poserefinement)，即如何在特定的解空间里搜索最优的姿态参数。 本文中，我们主要以视觉交通监控中的车辆定位为背景来研究姿态估计问题，其原因在于研究刚体(车辆)的姿态估计具有代表性，并且交通场景中的复杂情况为姿态估计提供了很好的研究对象。同时，姿态估计对于视觉监控很重要，而视觉监控具有重要的应用价值。另外，我们也将本文的方法应用到二维人脸定位问题中，以验证方法的有效性。 本文的主要工作和贡献如下：1.提出在假设检验的意义下采用贝叶斯分类错误率(BCE，Bayesianclassification)来度量局部图像小区域的统计可分性，并且从理论分析和试验比较的角度，验证了贝叶斯分类错误率对于姿态估计问题所表现出来的最优性能； 2.详细的讨论了贝叶斯分类错误率在一维和多维情况下的快速计算问题； 3.提出将目标形状模型、局部区域统计特性和参考信息结合起来(不需要几何基元提取)，构造了姿态评价函数(PEEposeevaluationfunction)，有效的描述了目标模型投影与图像数据的匹配程度(goodnessoffit)； 4.通过引入法向变化向量作为中间变量，推导出姿态评价函数关于姿态参数的一阶梯度，从而得到关于姿态优化的显式解(analyticsolution)； 5.将本文的姿态估计方法应用到实际交通场景中的三维车辆定位和二维人脸定位，并与其他两个常用的姿态评价方法进行了定性和定量的比较。