鲁棒性参数估计是计算机视觉与模式识别领域中的关键任务和研究热点。计算机视觉中对几何模型的参数估计通常是基于特征的,其中以点特征的使用最为广泛。特征匹配是许多视觉应用的基础工作,其本质是一个集合间的映射问题。同一场景在不同成像条件下获得的图像之间会存在较大差异,由于特征匹配问题的不适定性,特征之间通常不能实现完全精确的匹配。受各种不利因素的影响,特征匹配的结果中不可避免地包含部分外点。外点不满足所假设的模型,如果直接利用含有外点的匹配结果进行模型参数估计,则会对问题求解造成严重干扰。传统的基于误差最小二乘的方法不能消除外点数据的影响,用其估计的模型参数会严重偏离真实值。为了应对数据中的外点,模型参数估计方法必需具有一定的鲁棒性。因此,对鲁棒性参数估计方法的研究具有重要的理论意义和实用价值。本文研究了基于特征匹配的鲁棒性参数估计方法的一些关键技术,重点围绕基础矩阵估计、图像特征匹配的内点选择和鲁棒性参数估计方法优化这三方面进行深入研究。针对在不同场合下问题的特点,提出几种相应的算法,并对所提出算法的有效性通过理论分析和实验进行了验证。首先,为了应对特征匹配中的大量外点、提高基础矩阵估计的精度,提出了软决策优化(SDO)方法。该方法利用特征匹配和基础矩阵估计之间的耦合关系,通过将二者相结合构建软决策目标函数。采用期望最大化算法求解该软决策优化问题,可自动消除点对集内的外点的影响,实现对基础矩阵的快速求解。由于在计算基础矩阵的过程中无需明确区分内点和外点,因而大大减轻了由于对内点和外点的误判而对基础矩阵求解产生的不良影响。SDO方法将特征匹配和基础矩阵估计紧密结合于一个统一的框架来实施,从而显著提高了基础矩阵的精度以及获取的内点的数量。其次,为解决宽基线图像之间变化复杂、初始匹配外点比例高的问题,提出了用于宽基线图像特征匹配内点选取的邻近特征空间一致性(AFSC)算法。AFSC算法基于区域面积比构造了具有仿射不变性的相似度,用于表示二组局部邻近特征点的拓扑结构的相似性。AFSC算法通过邻近特征空间对应一致性检测和邻近特征空间结构一致性检测二个步骤来选择内点。AFSC算法能从内点比例很低的初始特征匹配结果中快速选取具有较高准确性的内点集,其运行速度不受内点比例变化的影响。该算法可以适应宽基线图像之间大幅度的视点、尺度和旋转变化。然后,针对局部不变特征的特点,提出了用于对局部不变特征匹配进行快速内点选择的对应特征分布一致性(CFDC)算法。该算法综合利用局部不变特征在位置、尺度和方向上的分布一致性来检测内点,从而消除了由于图像的平移、旋转和尺度变化对特征匹配造成的影响,有效提高了内点检测的准确率和召回率。CFDC算法采取由粗到精的策略,利用对应特征分类(CFC)算法和k近邻匹配相似度(kNN-MS)算法分别实现对特征匹配的粗选和精选。CFC算法是基于单类支持向量机的预选算法,可从初始匹配结果中选出一个候选内点集,实现对初始匹配的快速粗选。kNN-MS算法利用邻近特征点对的几何变换关系计算出对应点对的匹配相似度,并以此为依据对候选内点集进行精选。CFDC算法性能稳定,运行速度快,对图像之间大幅度的复杂变化具有较高的鲁棒性,可适用于SIFT、SURF等各种提供了尺度和方向参数的局部不变特征。最后,针对现有的鲁棒性参数估计算法在速度、精度和鲁棒性方面存在的问题,通过对RANSAC算法进行改进,提出了快速重抽样优化抽样一致性(FROSAC)算法。该算法通过在模型检验之前增设预检验来提高模型检验的效率。采用一种基于样条曲线的损失函数以更有效地评价模型的质量。通过反复重抽样和模型检验来优化内点集,显著减少了抽样次数并且提高了解的精度与稳定性。依据双阈值对内点集进行渐近式提纯,解决了RANSAC算法对阈值敏感的问题。FROSAC算法性能稳定,鲁棒性强;尤其是在数据中的外点比例高于50%的情况下,FROSAC算法在精度和运行速度方面具有明显的比较优势。