计算视觉是计算机利用其图像采集设备拍摄目标物、分析处理,以帮助或代替人眼和人脑完成相关视觉分析任务的一项科学技术。计算视觉的典型任务包括:识别、运动分析、场景重建、图像增强等。工业生产和生活中的应用包括:指纹/人脸识别、异常监控、三维重构、图像反模糊等。本文的研究工作涉及计算视觉中三个重要的、有着广泛应用的问题:三维重建、图像增强和模式分类,提出并实践新方法。本文的主要贡献包括:(1)在“三维重建”问题域中提出使用“相对极线运动”这一概念,以求解双目立体视觉中的对应点匹配问题。该方法能够有效的匹配和重建“具有大量局部不可区别的运动特征点”的场景。(2)对于“图像增强”的“反模糊”问题,本研究通过构建“对偶相机”,即结合“高分辨率低帧率”和“低分辨率高帧率”两个相机,首次使“多核反卷积”在实践上成为可能,且实验表明使用本文“对偶相机”和“多核反卷积”获得的增强后的图像质量,普遍优于使用经典的广为研究的“单核反卷积”方法的结果。(3)在“模式分类”中,本文提出“样本分布集中”这一概念。本文基于“最近特征线NFL”方法及为了克服其“外部误差”和“内部误差”,提出一种新的模式分类方法——“最近特征线段RNFLS”。分析和实验表明,相对NN,k-NN,NFL,NNL等分类器,RNFLS的“样本分布集中属性”使其在人工和真实数据分类任务中有优异的表现。