非刚性点集配准是图像处理和计算机视觉领域中的重点和难点问题,在医学图像处理、遥感图像处理、视频处理、图像融合、目标识别、立体视觉等任务中有着广泛的应用。点集是指从相应图像中提取的特征点位置的集合。非刚性点集配准的目标是使用一组复杂的插值函数恢复点集之间的非刚性形变。非刚性点集配准的难点主要有两个:一是图像退化,例如剧烈的形变、噪声、缺失点、离群点以及旋转等可能会对算法性能造成严重影响;二是在点数目较大时,算法需要消耗大量的计算资源,这限制和降低了算法的应用范围和实用价值。针对非刚性点集配准中的难点问题,本文通过利用点集中蕴含的丰富的结构信息,有效地提升配准精度和算法的鲁棒性,设计了求解非刚性形变的快速算法,提升了算法的实时性。论文的主要内容如下:第一,为了有效地利用点集中丰富的结构特征,提出了一种基于协同对应关系的稳健的非刚性点集配准算法。通过融合两种互补的结构特征,包括点的空间位置和局部结构,来建立准确的点集之间的对应关系。点的空间位置用来定义绝对距离,点的局部结构用来定义相对距离,两者分别用来构建绝对对应关系和相对对应关系。邻近对应一致性用来分配相对对应关系的置信度。通过提出的启发式策略来融合绝对对应关系和相对对应关系,提出的算法可以有效地提升指派点集之间对应关系的精度。在对应关系确定后,空间变换的恢复可以当作一个最小二乘问题。每一步迭代中,给出了薄板样条函数作为空间变换函数的闭式解,其中,薄板样条函数的线性和非线性部分分别求解,这有利于分析和控制配准过程。实验表明,该算法与同类算法相比,取得了更高的配准精度。第二,为了降低求解非刚性变换时的计算量,提出了一种快速点相干漂移算法。点相干漂移算法是一种经典的点集配准算法。但是,在每一步迭代中,点相干漂移算法必须以O（M 3）的计算复杂度求解非刚性空间变换。通过引入一个简单的对应关系约束,提出了点相干漂移算法的快速版本,快速算法的最大优点就是避免了求解非刚性变换时的矩阵求逆操作。在迭代开始前,需要对一个M×M的矩阵进行特征值分解;在迭代开始后,每一步迭代中,快速算法只需要更新一个对角矩阵,以O（M 2）的计算复杂度进行矩阵相乘运算。此外,算法可以使用低秩近似进一步加速。实验表明,提出的快速算法不仅可以显著地降低点相干漂移算法的计算负担,而且可以同时保持点相干漂移算法的配准精度。第三,为了处理形状描述单元交界处点的分派问题,提出了高斯形状上下文描述子。高斯形状上下文以参考点为中心建立一组高斯窗函数,根据中心点与其他采样点之间的欧氏距离,利用点集中的点计算各个窗函数的值并组成形状描述子,描述点周围的空间分布特征。通过比较形状描述子之间的相似性,能够较为准确找到两个点集间点与点的对应关系。实验表明,使用高斯形状上下文作为形状描述子比传统的形状上下文能够更加准确地找到点与点的对应关系,使配准算法实现快速收敛,具有良好的抗噪性和鲁棒性。第四,为了应对点集配准中的尺度变化问题,提出了尺度形状描述子。利用不同尺度的高斯形状上下文或形状上下文作为基形状描述子,构建了一种尺度形状描述子。尺度形状描述子首先根据模板形状确定形状描述子的层内尺度,利用不同的层间尺度建立模板形状的尺度立方体,计算尺度立方体的每一层与目标形状的相似性距离,根据最小均方误差确定最近邻尺度,利用样条插值进一步精确估计最优尺度。在最优尺度的基础上构建形状描述子,准确地确定点与点对应关系,并根据对应关系计算配准变换。实验表明,尺度形状描述子能够较好地克服形状配准中存在的尺度变化问题。