光流估计作为计算机视觉方向的一个基础研究领域,在运动物体检测、分割、跟踪、运动场景分类等许多场景都有广泛的应用。经过几十年的发展,学者们已经提出了大量的光流估计算法用来计算光流。但是对目前的方法而言,高精度的大位移光流估计仍然是一个极具挑战性的任务。为了弥补传统变分模型的缺陷,将匹配算法与变分模型相结合以适应大位移场景下的光流估计是目前主要的研究方向。作为一种寻求图像匹配点的方法,循环置信度传播近年来被越来越多地应用到光流估计算法中,然而其在进行大位移光流估计时存在高内存消耗和计算精度低的问题。为了提高光流计算的精度和速度,本文提出了基于惯性约束的分层置信度传播高精度光流估计算法。本文方法首先对图像进行超像素分割,然后在超像素层面和像素层面分别构建马尔可夫随机场(MRF),并将所有可能的位移作为标签。由于超像素块本身面积较大,因此需要增大超像素层节点候选标签的步长,在覆盖较大的位移范围的同时减少了超像素层的标签数量。本文首先在超像素层执行置信度传播得到一个基础位移场,然后以此作为像素层MRF标签选取的参考,有效压缩了像素层MRF的标签空间,提升了像素层循环置信度传播的执行效率。此外,针对传统双图模型在缺乏纹理信息及存在大位移的图像中难以获得可靠结果的问题,本文提出将多帧图像信息及前一帧运动信息作为运动惯性约束融合进光流计算模型中。该约束的加入能有效弥补缺失的信息,提升模型的性能。本文模型在KITTI数据集及MPI Sintel数据集上获得了较有竞争力的实验结果,验证了算法的有效性。