鲁棒模型拟合是计算机视觉领域的一个基础且关键的问题,其主要任务是从包含离群点和噪声的数据中估计出模型实例的个数及对应的参数。鲁棒模型拟合已被广泛地应用在图像拼接、三维重建和运动分割等任务中。近年来,国内外众多学者致力于鲁棒模型拟合的研究,并提出了大量优秀的模型拟合方法。然而,由于数据在采集和整理过程中不可避免地含有离群点和噪声,且数据的分布复杂多样,导致当前的模型拟合方法在拟合精度和计算速度上仍然无法满足实际工程的需求。针对以上问题,本文着手于基于图聚类的鲁棒模型拟合方法的研究。本文的研究内容包括图模型的构建,图模型的剪枝以及基于图模型的聚类。在此基础上,本文提出两种多结构的鲁棒模型拟合方法,具体内容如下:（1）提出一种基于图的简单迭代聚类的鲁棒模型拟合方法。当前基于数据点聚类的模型拟合方法不能有效地处理交叉结构的问题,且该类方法的时间复杂度较高,不符合实际项目的需求。基于图的简单迭代聚类的模型拟合方法针对模型假设聚类,从每个类中选择表征性的模型假设作为被估计的模型实例。该方法采用偏好信息来度量模型假设之间的相似性,并构造图模型来解释成对的模型假设之间的关系。此外,该方法还包含一个基于图的简单迭代聚类算法,该算法通过设置限定区域的方式来缩短聚类时间。同时,该方法采用条件初始化聚类中心和多次初始化聚类中心的策略,来解决此迭代聚类算法的局部最优问题。实验结果表明,基于图的简单迭代聚类的模型拟合方法,能够高效地估计出模型实例的个数和对应的参数。（2）提出一种基于二部图双聚类的鲁棒模型拟合方法。当前基于图的模型拟合方法仅对数据点或是模型假设进行分析,容易造成信息缺失,从而导致拟合精度下降。基于二部图双聚类的模型拟合方法通过充分地利用数据点和模型假设,来解决多结构的模型拟合问题。该方法首先构造一个二部图,把数据点和模型假设同时映射到图中,以充分使用这两部分信息。接着,该方法利用统计检验技术来简化二部图,以缓解干扰信息对拟合的影响。此外,该方法还包含一个基于二部图的双聚类算法,通过双聚类算法来切割二部图,即把模型拟合问题转换为二部图切割问题。该双聚类算法通过学习得到一个优化的、有结构、且有明显连接成分的二部图,使之能够从中直接获得聚类结果,并把它作为初步的拟合结果。值得注意的是,该算法不同于传统的用于图割的聚类算法,其无需额外的聚类步骤来获得切割结果。最后,为了进一步提高拟合精度,该方法采用模型验证技术以有效地移除质量较差的模型假设。实验结果表明,基于二部图双聚类的模型拟合方法能够充分地利用数据点和模型假设,并在复杂的实际数据中获得比较精确的拟合结果。