随着数字图像采集技术和处理技术的飞速发展，数字图像测量受到了人们的普遍关注，并已经广泛地用于工业、交通、医疗、军事等领域。在图像测量领域，图像质量是影响测量精度的一个重要因素。一般在获取图像时，受景物对象与CCD摄像机三维空间相对位置关系、光学镜头畸变以及CCD摄像机质量等因素的影响，采集的图像会产生线性或非线性畸变，从而影响了测量的准确性。因此，畸变图像校正对提高图像检测、图像测量、模式匹配等定量分析的准确性具有重要的现实意义。本文着重研究非线性畸变图像校正方法。 针对传统的非线性畸变图像校正方法存在模型建立较难、计算量大等缺点，本文采用基于神经网络的方法进行畸变图像校正。主要创新之处有： 1、针对传统的遗传算法（GA）和量子遗传算法（QGA）初始群体随机生成，解群分布不均匀时易于出现未成熟收敛，陷于局部极值等缺陷，本文将免疫学中的克隆选择算法引入量子遗传算法，提出了一种新的混合的量子遗传算法。用几个经典函数对此混合算法进行测试，结果表明该算法具有很好的全局收敛性和较快的收敛速度，性能优于QGA和一些遗传算法。 2、结合BP算法和混合量子遗传算法用于畸变图像校正的神经网络的学习和训练，该算法充分利用了混合量子遗传算法的全局搜索能力和BP算法的局部搜索能力，加快了收敛的速度，提高了收敛的精度。 实验证明，将本算法应用于基于神经网络的畸变图像校正中，能满足图像测量精度的要求并取得了较好的效果。