模型拟合是计算机视觉领域热点问题。该项技术在计算机视觉领域有着广泛的应用，如单应性变换矩阵和基础矩阵的估计、图像分割和运动估计等。近年来随着应用的需要，模型拟合技术逐步发展到多模型拟合。目前主流的模型拟合算法不仅需要一些先验的信息，而且在数据集中每次只能检测出同一模型结构的不同实例，也就是说每次只能从真实数据集中提取一种结构（圆或者直线）。本文在学习了主流模型拟合算法的基础上，针对如上不足，提出了一种针对含有不同结构多个模型实例的鲁棒拟合算法。该算法主要做了两方面创新：(1)完成不同结构多个模型实例的拟合。首先分别生成不同结构的假设，并对假设进行聚类，然后确定数据点属于哪种结构的哪个模型实例，最终完成不同结构多个模型实例的拟合。(2)引入联合聚类方法。不同于J-Linkage[1]和AKSWH[2]分别对数据点的倾向集合(PS，Preference Set)和模型假设(Hypothesis)的一致集(Consensus Set)进行聚类，本文采取了基于SVD的联合聚类(Co-Clustering)的方法进一步对算法进行改进。最后将本算法用于合成数据和真实数据的拟合，发现我们算法不仅能够完成不同结构多个模型实例的检测，并且使用联合聚类后也较其他方法性能更为优越。