图像变形已成功应用于许多不同类型的领域。然而,如何高效的得到完美视觉效果的变形方法仍然是一项挑战任务。本文主要研究基于正则化技术的图像变形算法及应用:针对刚性变形与非刚性变形,建立统一数学模型,使用正则项约束目标函数,将变形问题转化为向量插值问题,引入基于正则化技术的向量插值图像变形算法;对于连续多帧图像变形不自然的问题,建立特征点匹配模型,随后进行特征点拟合,引入基于正则化技术的MEAN-SHIFT自动变形方法;为解决电影制作过程中录制人脸表情困难的问题,引入基于正则化技术的图像变形应用,简易操作和方便保存使表情录制工具极具实用性。本文的主要贡献如下:1.基于正则化技术的向量插值图像变形算法。在本文中介绍了一种图像变形的向量插值方法,该方法基于移动正则化最小二乘优化与薄板样条函数(MRLS-TPS)之上。所提出的方法将用户控制的点作为输入数据,并通过控制点估计每个像素的空间变换。为了实现真实的变形,通过移动正则化最小二乘法(MRLS)将变形转换为一种新的闭合变换估计问题。与移动最小二乘法(MLS)不同,这里通过具有正则化系数的非刚性薄板样条函数(TPS)对映射函数进行建模。因此,变形不仅可以满足全局线性仿射变换,还可以适应局部非刚性变形。在转换方面,推导出一种封闭形式的解决方案并实现快速实施。此外,该方法可以展示出精彩的用户体验,并为用户提供快速方便的操作。对2D图像和3D图像进行大量实验,表明所提出的变形方法比其他先进的方法(如MLS和Adobe PhotoShop CS 6等商业软件)表现更好,特别是在柔性物体运动的情况下。2.基于正则化技术的MEAN-SHIFT自动变形。首先进行数学建模,然后进行特征点拟合,最后使用正则化技术的MEAN-SHIFT进行自动变形。使用级联回归树进行特征点检测,随后用MEAN-SHIFT来进行视频流中每一帧图像的特征点追踪与定位,用核密度估计逼近每帧图像特征点的真实响应图,使用正则化技术约束变形函数。