随着数据获取设备、计算机软硬件条件以及计算机网络技术的不断发展,数字几何处理已经成为计算机图形学等学科的前沿研究领域和热门课题。其中三维模型的纹理映射和骨骼提取是学术界和工业界的两个基本而重要的问题。本文针对三角网格和点云数据这两种数字多媒体的主流表示形式,在带约束参数化和骨骼提取两个方面进行了研究,并将其成功应用于数字植物领域,取得了令人满意的结果。本文的主要工作包括：1.针对三角网格模型,提出了一种自适应的约束纹理映射方法。该方法通过在目标函数中引入一组权重,来平衡保形项与约束项,并通过迭代优化的方法得到带约束参数化结果。在迭代过程中,每一步的权重是利用上一步的结果来自适应选取的,并最终收敛于一组最合适的权重。应用该方法得到的参数化结果可以在满足约束条件的同时,较好地维护保形性。通过对大量网格模型进行纹理映射和网格渐变实验,可以证明该方法是简单、有效的。2.针对叶片三角网格模型,提出了一种基于特征提取的纹理映射方法。针对传统参数化方法难以处理叶片模型的问题,从分析叶片的形状出发,充分利用其对称性和几何信息,对边界和主脉曲线上的特征点进行提取、筛选和匹配。在计算出边界映射之后,利用带约束参数化方法得到纹理映射结果。实验结果表明,该方法可以生成具有较强真实感的叶片三维模型。3.针对树木点云模型,提出了一种有效的骨骼提取方法。该方法针对树木独有的结构特征,对前人算法进行了改进。主要体现在：利用由收缩后点云生成的最小生成树识别出主要树权点,进而计算出全局的采样半径标量场。同时,自适应采样可以很好地捕捉到原始点云的几何与拓扑信息,通过图的建立与优化提取出高质量的骨骼曲线。对于不同种类树木进行的实验结果表明,该方法具有较高的鲁棒性与有效性。4.针对复杂带状实体点云数据,提出了一种新颖的曲线重建方法。该方法在对原始数据进行各向异性的自适应采样之后,利用采样半径的不同,基于聚类算法自动识别出每个非线性区域。随后应用收缩和合并两个算子对由结点连成的图进行优化,最后通过最小二乘曲线拟合来提高重建曲线的几何逼近性。我们对大量复杂点云进行了实验,结果表明该方法不但可以处理采样不均匀、多尺度的数据,还可以重建含有自交区域、多分支的曲线。