光流不仅包含了物体或场景的运动参数，还携带了丰富的结构信息，是计算机视觉和图像处理等领域的重要组成部分。在主流的几类光流计算方法中，变分光流算法具有统一的能量泛函模型和高精度的光流场，发展最为迅速、完整，但是算法的鲁棒性分析常常采用实验验证的方法，缺乏理论的支撑。本论文主要针对变分光流算法的鲁棒性进行研究，并将变分光流算法应用于医学图像处理中。本文从变分光流理论知识出发，系统地分析了构成数据项的几种常见的守恒假设和平滑策略，并对它们的适用范围、优缺点进行分析，然后简要描述了三种常用的变分光流计算方法。分析算法的整个实现过程，提出了一种具有通用性的鲁棒性分析方法。选取一种鲁棒性的变分光流模型进行分析，凸性的能量泛函确保了该模型有唯一极小值，并且采用标准的凸优化技术始终可以得到全局最优解。在能量泛函对应的扩散反应方程的线性化和离散化过程中，结合多分辨率分层策略防止了局部最优解。利用线性方程组系数矩阵表达式的线性代数性质，证明了系统线性方程组SOR迭代算法收敛，并且根据特殊矩阵的性质得到迭代法的误差界，同时在一定条件下系统线性方程组SOR迭代算法是数值稳定且线性方程组是“良态”的。通过对比分析常用数据项的迭代表达式和五种平滑项对应的扩散项的表达式可知本文的鲁棒性分析方法具有一定的通用性。采用五组不同类型的图像序列进行实验，对比分析四种变分光流算法的实验数据，验证了鲁棒的变分光流算法能较好地处理多种类型的图像序列。通过对输入图像添加高斯白噪声，然后对比分析实验数据得出鲁棒的变分光流算法具有较好的抗噪能力和鲁棒性。选取高精度的变分光流算法计算MR图像序列、CT图像序列、视屏图像序列和显微镜下的视屏图像序列的光流场，验证了变分光流算法能够动态分析多种类型医学图像序列。