鲁棒模型拟合是计算机视觉领域的一项重要研究任务，它已被广泛地应用于运动分割、图像拼接、三维重建、图像配准等领域。由于输入数据不可避免地会包含噪声、离群点（即错误的数据点）和伪离群点（在多结构数据中，一个结构的内点对于其它结构来说通常是伪离群点），使得鲁棒模型拟合任务极具挑战性。采样到一组干净数据子集对于大多数模型拟合方法的成功起着至关重要的作用。对于包含高比例离群点的多结构数据，尤其是针对高维模型，传统的采样方法要采样到一个干净数据子集极其耗时。为了更高效地采样到干净数据子集，本文提出了三种指导性采样方法:　　(1)提出一种基于残差排序和局部约束的指导性采样方法。该方法主要通过在采样过程中使用局部约束，来提高采样到干净数据子集的概率，同时降低采样过程的计算时间。实验结果表明，在相同的运行时间内，该方法采样到的干净数据子集总数是传统的基于残差排序的指导性采样方法所采样到的干净数据子集总数的两倍以上。　　(2)提出一种面向对极几何估计的高效采样方法。对于如何针对高维模型高效地采样更多干净数据子集的问题，本文利用极线约束来指导采样过程。该方法使用马尔可夫链蒙特卡洛过程，有效地结合两个指导性采样策略:全局采样和局部采样。全局采样通过结合空间采样概率和关键点匹配分数来快速地获取有效模型假设。局部采样则通过结合联合特征分布概率和关键点匹配分数来获取更准确的模型假设。在局部采样中，该采样方法先使用一种新的拟合方法来实时选取一组当前最佳候选模型假设集，然后计算输入数据与最佳候选模型假设集之间的联合特征分布概率。实验结果表明，在相同的时间内，该方法较当前若干先进的采样方法可采样到更多的干净数据子集。在生成同样准确的模型假设方面，该方法比当前若干先进的指导性采样方法快三倍以上。　　(3)提出一种面向多结构模型拟合的通用采样方法。(2)中提出的采样方法使用了极线约束，导致它只能用于对极几何估计的采样。基于(2)中的工作，本文提出一种通用的采样方法，用于高效地指导多种高维几何模型估计的采样。该方法也包含两个指导性采样策略:全局采样和局部采样。全局采样使用现有的多结构采样策略;局部采样则使用当前所检测到的模型实例的内点来指导采样过程。该方法还引入冷却进度表来有效地平衡全局和局部采样。实验结果表明，在给定的相同时间内，该方法比当前一些先进的采样方法可采样到的干净数据子集更多。在生成同样准确的模型假设方面，该方法比当前一些先进的采样方法快三倍以上。　　另外，运动分割是鲁棒模型拟合的一项重要的应用，已被广泛运用于多项计算机视觉任务（比如视频监控和目标跟踪）的预处理过程。但是视频中经常包含多个运动体（即多个结构），导致输入数据中包含了高比例的离群点。在这种情况下，使用传统的采样方法来采样干净数据子集相当耗时。而对于包含目标遮挡的视频而言，如何高效地集成视频中的多帧运动信息来指导运动分割是非常困难的。因此，笔者把前面提出的采样方法用于运动分割，并结合现有的鲁棒模型拟合技术，提出一种基于稀疏约束的高效运动分割方法。该方法先将不同运动体的特征点迹进行稀疏表示，然后使用谱聚类来准确地分割各运动体。实验结果表明，该方法比当前最先进的同类运动分割方法获得的分割准确率更高，且计算效率上也高出了六十倍。