本文将讨论关于鲁棒估计的基本理论及其在计算机视觉中的应用，分析有关鲁棒估计的一些根本性问题，并探讨如何设计具有强鲁棒性，高精度和通用性的估计方法。本文首先讨论关于鲁棒估计的一些基本概念，介绍鲁棒统计学中对于估计子鲁棒性的定义以及几种基于鲁棒统计量的估计方法，分析传统鲁棒统计学的不足之处。为了克服鲁棒统计学的局限，考虑到计算机视觉应用对鲁棒估计的具体需求，本文提出了关于观测数据的结构化密度假设。在此基础上给出了鲁棒性新的定义，作为对传统鲁棒估计定义的推广。本文还结合计算机视觉的研究背景，介绍了鲁棒估计的几个典型应用实例，分析了常见的几种鲁棒估计方法的优缺点。 本文讨论了M-估计子的定义，性质以及求解方法。重降型M-估计子是一类鲁棒性较强的M-估计，它可以完全克服离群数据的影响。本文讨论了重降型M-估计子及其标准化形式，分析了估计过程中尺度参数的具体意义，指出尺度参数是影响M-估计性能的重要因素，并进一步讨论了确定尺度参数的方法。此外，本文还讨论了应用M-估计进行运动分析的过程，提出了一种基于鲁棒统计量的运动检测方法，并结合主动轮廓模型，对视频序列中的独立运动物体进行轮廓跟踪。 最后，本文讨论了线性EIV模型的鲁棒估计方法，分析了各种用于线性模型的鲁棒估计方法的优缺点。在结构化密度假设的前提下，本文提出了一种新的基于线性EIV模型的鲁棒估计算法。