稳健统计方法最早出现在计算机视觉中，是用于改进特征提取算法的性能。传统稳健统计方法一个显著的特征是它们可以容忍一半的数据不符合假定模型，即对高达50％的污染是稳健的。但是当异常点是成簇，即使很小的比例也会使估计量崩溃，这些估计量也不能抵御超过50％的异常点。本文给出了最大似然型稳健估计量(Maximum Likelihood Estimation Sample Consensus，MLESAC)的稳健性证明，改进了投影M估计量，总结了各种稳健估计量，并提出了基于核密度的稳健回归方法。具体内容如下： (1) 综述了统计学和计算机视觉中常用的几种稳健估计方法。统计中的M估计量，最小平方中位数(Least Median of Squares，LMedS)；计算机视觉中有随机采样方法(RANdom Sample Consensus，RANSAC)，最小随机概率方法(MINimize the Probability of RANdomness，MINPAN)，最小无偏尺度和自适应最小k阶平方估计(adaptive least κ squares estimator，ALKS)和残差一致性方法(residual consensus estimator，RESC)。 (2) 给出了一种稳健估计量——MLESAC的基于影响函数的稳健性证明。以影响函数的有界性来描述估计量的局部稳健性。 (3) 提出一种基于最大化核密度估计的稳健估计方法，并将其用于基本矩阵的估计。由于传统的基于投影的M估计中的核密度估计不是自适应的，而且正常点与异常点的界限确定也存在问题。本文采用自适应带宽估计和稳健的正常点误差方差估计方法解决了上述问题。