我们所处的世界是复杂多变的，而在人类认识世界的过程中，绝大部分信息来之于视觉。随着计算机技术和传感器的快速发展，机器视觉成为人类实现自动采集数据的重要组成部分。而在视觉领域，运动的物体相比于静止的物体，包含了更多的信息，运动流场成为了从底层信息到高层图像分析的桥梁。2维光流描述的是运动物体表面亮度模式的变化，场景流描述的是3维动态场景，可以看作是光流在3维空间中的扩展。　　流场估计是一个病态问题，其求解需要在变分框架中附加多种假设使得求解正则化。由于变分模型能将流场的估计问题转化成极值求解问题，在流场估计中表现出了巨大的优势，本文从双目立体图像序列中获取信息，构建场景流估计的变分模型。数据项结合图像序列时间和空间的关系，采用亮度和梯度相结合的恒常假设，增强算法的鲁棒性，在数据项的每个分量上，采用遮挡因子加权的方式处理遮挡问题。平滑项是变分法求解流场的重要组成部分，通过施加对求解变量的惩罚，实现对模型的约束求解。本论文提出了一种自适应各向异性流场驱动的场景流估计方法，在各向同性流场驱动的平滑项中，流场的每个方向分量上，扩散系数相同，且为依赖于流场模值的标量函数，对流场平滑缺乏方向性，本文在此基础上提出了各向异性场景流平滑，提高了运动边缘处的估计精度与可靠性。由于全变分模型对流场进行平滑处理后会出现“阶梯现象”，本文通过对其进行自适应加权，提出了自适应各向异性流驱动的模型。对于场景流模型求解中存在的大位移问题，本文改进了由粗及精的多分辨率求解方案，将粗分辨率层求出的值传递到细分辨率层，先利用变形手段对前一帧图像进行变化，再计算变形图像和后一帧图像的残差，从而克服大位移问题。在图像金字塔的每一层，场景流通过超松弛迭代（SOR）求解。　　最后本文用Middlebury网站上的Cones，Venus和Teddy数据集、hemi-spheres数据集和实验室采集到的真实场景图像序列验证算法的有效性。