点集配准是计算机视觉、模式识别、医学图像分析等领域的重要研究方向。利用点集配准,可以找到模板物体与目标物体之间的对应关系。实际应用中,经常会出现很多不利因素,例如形变、旋转、离群点、噪声、遮挡等,会显著降低点集配准算法的精确性和鲁棒性。本文针对以上的一些问题,开展了以下两个方面的研究工作。(1)结合局部结构约束和全局约束,提出了一种有效的点集配准算法。首先,根据目标点到其近邻点的向量模长和向量的投影,设计了一种混合权重系数。然后,利用相邻点向量的线性组合,构造局部结构约束,并结合运动一致的全局结构约束,建立高斯混合模型。最后,结合权重参数迭代更新策略和期望最大化算法,解决所提出模型中的参数优化问题。与目前已有的点集配准算法相比较,所提出的算法,由于使用了有效的约束条件,因而具有更好的鲁棒性。在一些广泛使用的数据集上的实验结果,验证了该算法的有效性。(2)通过空间变换的分解及空间结构约束,提出了一种鲁棒的点集配准算法。首先,将模板点集到目标点集的空间变换,分解为两种类型的变换,即仿射变换和非仿射变换。然后,在建立的高斯混合模型中,为了增强空间变换的光滑性,采用核Hilbert空间的平方范数,作为非仿射变换的一致性约束。此外,对于仿射变换,引入参数向量的约束项,以提高了算法的鲁棒性和效率。另外,利用图拉普拉斯构造流形约束,提取点集的空间几何信息。实验结果表明,所提出的点集配准模型,对形变、旋转和离群点具有更好的鲁棒性。