点集匹配确定点集之间的匹配对应关系,它是点集配准和图像配准的基础。点集匹配中特征提取、特征描述及特征匹配是其关键步骤。实际应用中,由于图像质量的变化与特征提取方法不精准等问题,造成点集中存在形变和异常值,以致使得匹配性能受到影响,研究点集匹配的稳健方法势在必行。在计算机视觉与模式识别领域中,研究基于概率统计和图论的各类稳健、快速的点集匹配方法,受到学者的关注。其中,基于混合分布模型（简称为混合模型）的点集匹配方法是研究热点之一,其本质是巧妙地将点集匹配中的特征匹配转换为混合模型对应的概率密度估计问题,但是当点集中存在较大形变或大量异常值时,这类方法容易产生误匹配,本文正是以此为切入点,研究点集稳健匹配的统计方法。主要研究成果和创新点是:（1）针对特征提取易受到图像中噪声以及形变影响的问题,以显著图像圆盘（Salient Image Disk,SID）特征提取方法为基础,给出了图像配准的显著特征提取和局部结构描述两种方法:其一,利用非下采样轮廓波变换生成多幅图像,进行特征重复性检测,提取稳定的仿射不变性特征;其二,给出基于局部自相似特征描述子的局部结构描述方法,将上述两种方法应用于合成孔径雷达（Synthetic Aperture Radar,SAR）图像配准。实验结果验证了上述两种方法的有效性。（2）针对处理存在大量异常值的点集时,点集匹配的一致性点漂移方法容易导致误匹配的问题,给出了点集匹配方法的一种自适应混合模型。该方法在混合高斯模型的构造中,结合点特征的空间位置信息的邻近度和局部属性信息的相似性,并推导出了权系数的自适应更新公式,最后建立了仿射变换点集匹配和非刚性变换点集匹配的迭代求解算法。模拟点集和真实图像配准的实验结果表明,所提出的方法在精度和稳健性上优于一致性点漂移方法。（3）为进一步提高点集匹配方法对异常值的稳健性,给出了点集稳健匹配的混合t分布模型,将点集匹配问题表示为混合t分布模型对应的概率密度估计问题。以贝叶斯统计方法为基础,利用变分推断估计模型变量的后验分布,给出了有效的迭代求解算法。对于非刚性变换点集匹配问题,该模型在匹配过程中可自适应地更新正则化参数。模拟点集和真实图像的匹配实验结果验证了该方法的稳健性。（4）针对基于混合t分布模型的点集匹配方法不能有效保持点集几何结构的问题,给出了点集匹配的一种几何结构保持模型。该模型以先验分布的形式加入全局正则化项和拉普拉斯流形正则化项,最后建立了该模型的迭代求解算法。该算法将模拟退火策略引入正则化参数的更新中,减少正则化项在匹配过程中的影响。实验结果表明,对结构差异较大的非刚性点集匹配问题,该方法能明显提高匹配性能。