数字图像相关方法（Digital Image Correlation,DIC）是一种非接触式的全场变形测量方法,有着操作较便捷、对测试环境要求较低等优点,在航空航天、土木机械、生物医学等各个领域中得到了广泛的应用。近年来,研究人员对于高精度、实时测量的要求逐步提高,实验数据量随之增大。这不仅对测量硬件提出了很高的需求,对处理图像数据的软件算法也提出了新的挑战。如何有效地降低单幅图像数据量、提升DIC的自动化性能逐渐成为DIC研究领域中无法忽视的问题之一。本论文从散斑区域自动化检测的角度给出该问题的一种解决方案。散斑区域自动检测的基础是分析DIC图像数据的视觉元素。通过分析结果可知,解决方案必须要包含合适的特征表达和较好的抗干扰机制。基于分析结果,本论文给出了散斑区域提取与散斑评估准则的关系方程,确立了散斑区域提取的流程。本论文从数字散斑场图像的特征入手,确立了一套散斑区域检测的评估体系,分析了图像常用特征和基于散斑评估准则特征之间的优劣。经过参数对比发现,特征为图像局部灰度梯度的模数和、图像局部熵、图像局部均值浮动,同时,计算模板为13像素×13像素至21像素×21像素的特征参数能够在检测精度和提取效率上得到优化。基于散斑图像特征,本论文首次将水平集方法引入至散斑区域检测中,解决了传统方法定位精度低的不足。本文给出了局部高斯分布（local Gaussian distribution,LGD）方法的离散迭代格式,并结合第二章的特征分析结论,提出了自动LGD方法,实现了初始区域的自动选择。为了进一步提升算法的鲁棒性,加入了形态学滤波来修补图像中由于散斑制备不均匀出现的孔洞。在DIC图像上的测试结果表明,自动LGD方法极大地提升了区域检测的计算精度和稳定性,理论上边界处的平均误差小于1个像素。自动LGD方法被融入到一款开源的DIC软件中,实现了自动化变形计算的效果。尽管自动LGD方法的计算精度和稳定性得到了提高,但是仍存在计算量较大的问题。本论文通过初始区域快速抓取方法大幅度降低了冗余计算量,利用高斯滤波进一步提升计算的稳定性。改进的自动LGD方法在保证计算精度的同时大幅度提升了计算效率。本论文验证了并行计算策略在散斑区域检测上的可行性,并建议了分块计算参数。研究结果表明,自动LGD方法能够在保证定位精度的同时达到35帧/秒的检测速度。