近几年来,随着计算机技术的发展,医学领域迫切需要开发出能够模拟手术进行的虚拟手术系统,以应用于教学、培训、诊断、术前计划等多个领域。一个完整的虚拟手术系统,涉及计算机图形学、数字图像处理、计算机人机交互、软组织形变计算等多方面的技术。网格是虚拟手术系统中各种手术动作的模拟和软组织形变计算的主要运算对象,其规模和质量,对整个虚拟手术系统的正确性、稳定性和运行效率,有显著的影响。本文主要讨论了虚拟手术系统中有关网格的以下两个方面的问题:一是如何从真实病人的三维医学影像数据中获取所需的网格。本文在Amenta的r-sample的理论基础上,针对医学图像的特点,使用质心Voronoi划分对病人图像数据进行采样,而后通过两次构建Delaunay三角剖分得到所需要的目标四面体网格。构建出来的网格,能够准确表达人体组织器官,且网格在质量上有不错的表现。二是如何在虚拟手术动态场景中,保持住表面网格的质量,并且支持虚拟手术系统的典型应用需求。论文基于loose r-sample的采样理论,通过维护场景中的表面点点集S的loose r-sample属性以及由S构造出来的动态Delaunay单元的标记,有效地维护住不断形变变化中的表面三角网格的质量。此外,基于looser-sample的动态网格,使得用户能用最基本、简单的点操作代替以往复杂的网格操作,以一种统一的模式,支撑住虚拟手术系统中对网格操作的典型需求,大大降低了上层交互算法设计的难度。本文提出的网格重建算法与基于loose r-sample的场景管理机制,是基于受限Delaunay三角剖分的理论、基于r-sample的表面重建算法、基于looser-sample的表面重建算法的继承和发展。文中所提出的重建算法,将基于r-sample的表面重建算法扩展成对实心物体的四面体网格重建;提出的looser-sample场景管理将loose r-sample相关理论应用到动态网格管理环境下,是以往研究者未曾尝试过的思路。相信本文的工作,对于未来虚拟手术系统的开发有较大的帮助。