本书系统地阐述了以极大似然估计理论为基础的既有线形识别与重构。在介绍线形识别与重构的概念及研究进展的基础上，首先介绍了线路的组成及参数表征，给出了由参数确定坐标的正向解算过程。然后介绍了极大似然估计理论，以此为基础构建了直线、圆曲线、缓和曲线的及其组合线元的参数估计模型，分析了病态性的成因，导出了Gauss-Newton及Levenberg-Marquardt迭代算法。最后阐述了摆动迭代和累积偏角两种算法实现采样坐标点的分段聚类，并阐述了纵面和平面整体线形的拟合及参数估计。线形重构作为道路与铁道工程领域的逆向反问题，在道路管理、安全分析、铁路维护等方面具有重要意义。铁路长大干线整体线形的高精度维护要求线形的高精度重构。现有的线形重构方法未依托参数估计模型，未重视线形重构的精度，也未能发现线形重构中的病态问题及其对精度造成的巨大影响。为提高病态不确定条件下线形重构的精度，以线元参数估计为切入点，分析直线、圆曲线和缓和曲线线元重构中病态性产生机理，研究正则项的取值策略及对参数估计精度的影响，实现线元的自适应整体最小二乘正则化参数估计；研究线元特征，构建统计模型实现线元分段聚类。在此基础上，整合线元参数，构建线形整体最小二乘正则化参数估计模型，研究高维参数空间中稳健的迭代寻优算法，实现约束条件下的线形参数估计，不仅估算线形参数，而且评定参数精度。揭示长大干线参数估计精度的分布规律及影响因素，为提高线形参数估计的精度建立理论基础。