物体形状轮廓的多边形近似是计算机视觉和图像分析领域的一个基础问题，相关算法已被广泛应用于形状匹配、目标识别、形状检索、形状编码等视觉与图像分析任务。本文首先概述多边形近似技术的研究发展与现状，以及尺度空间思想特别是曲率尺度技术在形状描述与分析中的研究与应用。通过对两者的分析与关联，提出了基于尺度空间思想的多边形近似技术来解决多边形近似过程中的两大问题，即在给定误差阈值的条件下求解具有最少顶点个数的近似多边形问题（Min-#问题）和在给定近似多边形顶点个数的条件下求解误差最小化的近似问题（Min-ε问题）。根据问题的性质采用不同的技术路径发展了两种算法来表达尺度空间思想和解决问题。1）限制单点误差阈值的多边形近似算法。该算法可以有效地解决Min-#问题。2）基于总体误差最小化的多边形近似算法。该算法可以获得任意顶点个数的近似多边形，可用于求解Min-ε问题。由于引入了尺度空间的思想，上述两种算法在多边形近似过程中能够考虑到曲线形状在不同层次的信息，对其细节信息起到了很好的保护作用，同时也不会忽略整体信息。在算法设计过程中，我们对曲线演化的全局过程进行分析得到了合理的尺度参数。数值结果表明，基于尺度空间技术的多边形近似算法能够比传统的近似算法取得更符合人类视觉特性的效果。