图像对应点匹配是指确定不同图像间对应同一空间点的图像点。在几乎所有的计算机视觉问题(如运动估计、物体识别、目标检测、三维重建等)中,图像对应点的匹配都是一个关键步骤,因此,这一问题也是计算机视觉中的一个核心问题。目前国内外在此领域虽然取得了丰硕的研究成果,但大都集中于透视图像。鱼眼图像具有较大的视场范围,在现实中具有重要的应用价值,但由于其非线性变形严重,使得对应点匹配更加困难。本文围绕如何匹配鱼眼图像间的对应点问题做了一些研究,并取得了一定的研究成果。所完成的主要工作有：1.研究了鲁棒估计策略对线性参数估计问题的影响,并提出了一种实用的鲁棒估计方法。远离图像中心的区域比靠近图像中心的区域变形更严重,数据噪声更大,但这些区域的数据对参数估计非常重要。基于这样的观察,我们合理地假设不同区域的数据噪声不同,并给出了一种从受噪声干扰的数据集中逐渐选择越来越多内点的策略。使用这种策略,一方面可以得到更多的数据点,这对噪声数据下的线性估计问题是非常有利的,另一方面,数据集中包括了更多的远离图像中心的数据点。这两方面都使得运动参数的最终估计在精确度和稳定性上得到了明显提高。2.编程实现了文献中三种典型的轮廓特征点提取方法,并对这三种方法进行了实验分析和比较。这三种方法分别是,轮廓极值曲率点的检测方法,轮廓弹性极小值点的检测方法,轮廓多尺度视觉曲率点的检测方法。从检测正确性、参数设定、算法执行效率三方面分析得出,视觉曲率点检测算法优于其它两种检测算法。3.提出了一种鱼眼图像对应点匹配框架,并给出了一种具体的实施方法。由于鱼眼图像变形严重,直接采用传统的基于仿射不变量的方法往往只能得到较少的对应匹配,一般来说不能满足实际应用的需要。我们提出的匹配框架的主要思想是：首先采用基于仿射不变量的方法得到一定的初始匹配,并初步估计几何约束模型；尽管这个模型不是很精确,但可以指导后续过程得到更多的特征匹配,并可以逐步更新约束模型,最终得到稳定的结果。实验结果表明,这种匹配方法可以得到大量可靠的,稳定的图像特征点匹配,使得最终的运动估计和几何估计精度得到明显的提高。