从图像中提取运动信息,是无人驾驶车辆道路场景理解的关键技术之一。基于图像的运动场估计,可以应用于包括电子稳像、运动目标检测、高精度地图构建、车体自运动估计等多种场合。为此,本文以无人驾驶车辆的环境感知为应用背景,将不同的应用问题统一到基于模型的运动场估计方法框架中,重点研究了面向异源图像和同源序贯图像的运动场估计等内容。论文完成的主要工作为:1)研究了基于模型的运动场估计方法一般框架,包括图像数据分析、运动场模型选取、相似性度量、图像变换与插值、目标函数构造与优化、运动场计算等多个环节,给出了各个环节可能的技术方案及选择依据。重点阐述了采用高斯牛顿法估计模型参数的方法,并对高斯牛顿反向搜索法与经典高斯牛顿法的时间效率进行了对比分析。2)提出了一种面向异源图像的运动场估计方法。该方法首先通过引入相似空间的概念,提出了一种基于分块遍历的异源图像相似空间求解算法;然后针对获得的多个局部相似空间,提出了一种基于无向图模型的运动场粗估计算法,并根据粗估计的结果拟合出一组运动场模型参数作为初值;最后通过最小化全局匹配误差求解全局最优的运动场模型参数,并据此计算出具有高精度的运动场。实验结果表明,该方法能够实现局部细节的精确配准,同时确保了全局运动场的平滑性,相比NMI算法和SIFT Flow算法具有更高的精度。3)研究并给出了一种基于平面流模型的同源序贯图像运动场估计方法。针对相机自运动估计问题,实现了一种基于单目序贯图像的自运动估计算法,并通过实验验证了算法的有效性。同时,针对单目自运动估计算法精度较低的缺点,提出了一种基于双目序贯图像的自运动估计改进算法。该算法通过立体视觉获得三维点云,并采用高斯过程回归分割路面区域,将路面概率作为权重加到目标函数中,提高了算法精度。最后,基于双目自运动估计的结果,实现对运动场的分类标注和对场景中动态物体的检测。