在数学模型一定的情况下,牛顿法常因初值依赖、目标函数可导性以及系数矩阵病态性导致收敛于局部极值,甚至无法求解。非线性最小二乘迭代解法的本质可描述为:在给定当前估计值的前提下,通过合适方法求取下降方向更新当前估计值,直至算法收敛。以此为出发点,论文利用监督学习的思想,提出非线性最小二乘监督优化法。它通过大量已知样本的训练,学习一个使所有样本沿当前估计值到真值理想方向变化的平均优化方向,而实际问题的解算,可看作对训练样本的近似模拟。为验证监督优化法的有效性,结合单像空间后方交会和人脸特征点检测进行初步应用研究。单像空间后方交会可描述为非线性最小二乘问题,但与常规摄影测量的欧拉角法相比,模型病态性增加,数值稳定性下降,更易因法方程系数矩阵病态而无法收敛。为此,结合监督优化法的特点,研究如何使用监督优化法进行单像空间后方交会。经对比试验表明,监督优化法能一定程度上克服地面控制点间高差小而导致的病态问题,并具有初值弱依赖性。人脸特征点检测中因人脸不可导的图像特征提取、检测时人脸特征点形状未知,以及海森矩阵和梯度矩阵计算费时的原因,而无法使用常规非线性最小二乘方法解算以达到实时检测的目的。为此,研究如何采用监督优化法进行人脸特征点检测。经对比试验表明,监督优化法与ASM方法求解精度相当,但检测速度总体较快,更易于进行实时的人脸特征点检测。