点集匹配技术旨在对给定的两组点集找到点点对应关系，是计算机视觉中基础而重要的问题，其匹配结果通常作为许多高层次处理的输入，如图像拼接、图像融合和三维重建等。因此，点集匹配结果的优劣直接影响着高层次处理的结果。而点集匹配本质上是一个复杂的组合优化问题，有着很高的计算复杂度。同时匹配的点集通常会受到噪声、离群点和非刚性形变的影响，导致算法性能大幅下降。因此，研究一个兼具实时性和鲁棒性的点集匹配算法有着重要的意义。
　　为了同时满足实际应用中对于点集匹配算法实时性和鲁棒性的要求，本文基于在点集匹配的过程中，正确点对所构成的运动向量具有平滑性的特点，构建目标函数并求解。本文的算法与传统的算法以及最新的处于领先水平的算法在不同的数据集上进行了测试，实验结果表明了本文算法具有一定的优势。主要内容与成果如下：
　　1、为了克服非刚性形变、离群点、噪声对于重建得到的变换可靠性的影响，本文提出了一种基于自适应加权目标函数的点集配准方法，能够同时进行点集的配准以及潜在变换的恢复。算法使用现有的形状上下文描述子分别对两个点集进行描述，并且采用匈牙利算法对于两个点集进行初始匹配的构建。由于点集中存在噪声和潜在的离群点，因此我们将原先的点集匹配问题转化为混合模型估计问题，并且在估计的同时，通过最小化这个自适应目标函数来恢复潜在的点集之间的变换。
　　2、为了解决点集匹配所带来的复杂的组合问题以及高比例离群点带来的算法性能大幅下降的问题，本文提出了一种基于邻域元素一致性和拓扑一致性的点集匹配方法。具体地，我们先利用现有的尺度不变特征变换算法构建初始匹配。然后我们基于现有的两种约束：邻域元素一致性约束和拓扑一致性约束进行目标函数的构建。由于此方法是基于特征点的邻域信息，而高比例离群点对于邻域信息的统计有着重大的影响。为了减少这种影响，我们采用了两种方式，其一，我们采用具有高比例内点的集合作为整个算法的初始化，使得邻域信息的统计更加精确并且使得算法快速收敛。其二，我们在构造目标函数的过程中，使得邻域元素一致性和拓扑一致性相互制约，避免其中任意一个约束对匹配的正确性产生决定性影响。
　　3、为了更好地利用正确匹配与错误匹配在运动空间的差异性来进行误匹配剔除，本文提出了一种基于区域生长的点集匹配方法。具体地，我们通过获取初始匹配集的一组高比例内点并将其作为种子匹配，再将一致性约束作为匹配准则实现从局部到整体的生长。该方式能够快速找到运动空间中具有一致性的匹配，并且不依赖于特定的变换模型，能够适用于不同的图像类型与变换类型。