计算机视觉因其具有低成本、非接触、高精度的优点，被广泛应用于生产检测、视频监控、工业制造、医疗成像等领域。而计算机视觉测量系统的精度很大程度上依赖于摄像机的标定精度，因此，摄像机标定方法的研究一直是国内外研究的热点。要想提高摄像机的标定精度，就必须对传统摄像机标定方法中的若干参数进行优化计算。LM法、牛顿法等传统优化算法对初值依赖性强、收敛性差、不易找到全局最优解，并且需要对多峰值方程进行梯度计算，计算过程复杂费时。针对以上问题，本文研究了单目摄像机的优化标定算法。提出了基于标准粒子群及量子粒子群优化算法的单目摄像机标定方法。本文完成的主要工作如下：（1）靶标特征点的提取算法研究。针对圆形靶标特征点的成像特点，本文将圆形特征点提取转化为椭圆特征点的提取问题。首先提出基于灰度重心法的像素级边缘检测法，其次采用Zernike正交矩法进行边缘点亚像素补偿，最后进行椭圆拟合提取精确的椭圆中心。实验表明，采用本文的特征点提取算法，最大偏差小于0.08像素，平均偏差在0.02像素左右，具有较高的定位精度。（2）基于粒子群优化的摄像机标定算法研究。传统摄像机标定方法大多采用LM法、牛顿法等非线性优化方法，其缺点是易陷入局部最优解。为此，本文利用粒子群优化算法进行摄像机标定参数的优化确定。首先提出以面积平方和作为畸变测度的思想，可以更准确的优化确定畸变系数。以反向投影误差为粒子群优化算法的适度函数值，通过迭代更新粒子群的速度、位置向量来促使各个粒子不断趋于全局最优位置向量，最终找到全局最优解，完成摄像机标定。实验结果表明该标定算法能够合理的实现标定过程，标定出的摄像机内参数精度可以达到标定要求。（3）基于量子粒子群优化的摄像机标定算法研究。针对标准粒子群优化算法容易出现早熟的问题，本文还探究了基于量子粒子群优化的摄像机标定算法。通过进化更新具有量子行为的粒子位置，实现进化过程，可使结果收敛于全局最优位置。实验表明，量子粒子群优化算法比标准的粒子群优化算法有更快的收敛速度，能够以更大的概率搜寻全局最优位置向量，提高了最优解的准确性。