在机器人及许多其它应用场合,经常需要完成物体的定位.视觉定位由于其简单、灵活等特点成为常用的方法之一.但由于各种噪声的影响,物体三维位置和姿态的计算精度受到一定限制.针对计算精度这一问题,该文开展了两方面的工作.首先,针对运动物体,提出了一种有效的滤波算法,提高了目标的位姿计算精度.和现有的算法相比,该文所提出的算法具有以下两个特点:第一,不再局限于平缓运动的物体,它对于未知运动规律的机动目标同样有效;第二,由于避免了扩展卡尔曼滤波器的使用,滤波复杂度有所下降.该文首先通过分析图像噪声对位姿计算误差的影响,建立了一组描述位姿测量值和真实值关系的线性测量方程.然后,分别给出了两种滤波算法:基于有限记忆的检测自适应滤波和基于数值分析模型的卡尔曼滤波.在检测自适应滤波算法中,推导出了最优机动检测准则,并给出了分别适用于快机动和慢机动的最优机动检测函数.一旦检测出机动发生,系统采用有限记忆滤波进行矫正.在第二种滤波算法中,系统根据Lagrange插值和数值积分技术构造出了描述机动目标运动行为的鲁棒估计模型,并且,引入了一自适应估计衰减因子,以防止滤波器的发散现象.最后,通过伪贝叶斯估计,将两种滤波器进行数据融合,有效的降低了机动时刻位姿估值的误差抖动,进一步提高了定位跟踪精度.我们对位姿六个量并行滤波,加快了计算速度,使得该滤波算法更适用于实时性应用.实验结果验证了该算法的有效性.第二,该文对P3P问题的鲁棒性进行了初步的探讨.文中分析了P3P问题特征点解的误差和图像误差的关系,同时,描述了高维空间中P3P解的误差和物体的位姿误差之间的关系,并给出了定义物体坐标系的准则.在该准则下,P3P解的误差引起的物体位姿估计的误差能达到最小.研究结果对实际应用中特征点的摆放和布置具有指导意义.