图像序列中光流场的估计与分析是机器视觉的一项重要任务，它在运动分割、三维重建、视频监控、图像压缩、机器人导航等领域有着广泛的应用。光流计算的主要目标是获取运动物体的运动参数(如速度的大小和方向)以及运动轨迹等。　　传统的光流估计方法依据灰度不变性和平滑一致性假设，在运动不连续、遮挡和光照变化的情况下，这些假设将被违反，算法鲁棒性差，且不能应用于对非刚性物体的运动估计。近年来，为了克服传统光流估计模型的一些缺陷，研究发展了一些新理论、新算法，但构建一个有效的光流估计模型仍面临巨大的挑战。　　本文提出了一种基于约束框架的光流估计模型，根据邻域内各像素速度矢量之间的关联性，给出了不同的约束条件，推导出在相应约束条件下的训练函数和卷积核，并通过归纳得出一般的求解算法，通过对卷积核权重的自适应调节，提高了光流估计的准确性和鲁棒性。将其应用于合成与真实图像序列，取得了很好的效果。论文的主要工作包括：　　1、在灰度一致性假设基础上，增加了梯度一致性假设，并提出了几种不同的约束条件。通过归纳，获得求取不同约束条件下光流场的统一框架，把不同约束条件下光流的求取转变成一个平滑滤波过程，并给出了求取相应条件下平滑算子和卷积核的统一方法。　　2、对光流估计模型能量泛函中的数据项采用高斯卷积核进行平滑滤波优化，降低了光照和噪声对光流计算的影响。　　3、发展了权值自适应调节算法。根据邻域内像素的运动特征，将能量泛函中平滑项权值的调整问题转化为各项异性扩散的过程，只需对当前像素的速度域求导和求散度，即可实现自适应加权过程，提高了光流估计的准确性和实时性。运用多尺度的方法来解决运动中出现的大位移，同时扩大了应用范围，可用于对非刚性物体的运动估计。