光流场，作为一种运动参数，不仅为我们提供了运动图像序列中感兴趣物体的运动信息，还蕴藏了物体在真实世界中的三维结构等丰富的信息，使我们能够通过它很好地实现对运动物体的识别和定位，进而进行较为有效的运动估计，因而如何提高光流场的质量一直以来都是计算机视觉领域的热点问题之一。本文对在数学模型相对固定的情况下，变分光流算法中的哪些优化算法会对光流场质量产生决定性的影响以及如何提高光流场质量进行了深入地研究。建立的基准光流算法采用了最原始的HS数学模型，并融合了图像结构纹理分解算法、由粗到精分层细化算法、逐步非凸优化算法、图像变形技术和中值滤波技术等图像处理技术和数值优化技术。在基准光流算法的基础上，每次只改变其中一个影响因子，对数学模型中所采用的惩罚函数和模型的具体优化算法进行了详细地分析和研究，结果发现模型惩罚函数的选择和融合的优化算法采用不同的实现方式对光流场质量会产生非常大的影响。基于对基准光流算法研究的结论，提出了采用最优的惩罚函数并融合合理参数的优化算法的改进光流算法，即数据项和平滑项均采用Charbonnier惩罚函数并融合逐步非凸优化算法分三步进行求解，并在每层图像金字塔使用五次图像变形算法。改进光流算法与I-TV-L1和A-Huber-L1两种光流算法进行对比可以看出：改进的光流算法虽然在每个测试图像序列上的平均终点误差不是最优的，但是总的平均终点误差是最小的。从而也说明了虽然我们采用了最原始的HS数学模型，但是融合了现代的优化计算方法，仍然可以得到质量较高的光流场。