Metropolis光线追踪算法是一种无偏的全局光照算法。它基于马尔可夫链蒙特卡罗方法,在只有少量有效光线或存在大量间接照明的复杂场景中展现了强大的处理能力,因此在真实感图形渲染方法中引起广泛关注。但由于Metropolis光线追踪算法采样过程中样本间具有相关性,马尔可夫链收敛至稳态分布历时长短不一无法估计,从而导致像素差异影响渲染结果,同时在局部结构信息丰富位置算法会出现采样过度依赖辐射度而忽略结构信息的问题。基于以上问题,论文提出三种改进方法。第一种是基于分组的改进多通路Metropolis光线追踪算法。该方法引入分组采样技术修改算法中马尔可夫链的组成方式,采用全局采样器集中采样分布的信息从而将接受概率函数从样本与样本之间转换为链与链之间,最终将单个采样的收敛变成整条链的收敛,使采样分布逐渐逼近于目标函数,固定收敛时间于一定区间,减少像素差异。实验结果表明,在相同条件下改进算法能够减小像素方差,使渲染图像整体效果更加逼真。第二种是基于信息熵的改进多通路Metropolis光线追踪算法。该方法首先将能够表达结构的信息熵引入重要性函数,平衡辐射度影响,以提高结构信息丰富但辐射度低的位置的采样权重;其次在突变过程中动态修改突变概率,从而使有限的采样资源得到更好的优化。实验结果表明,在相同条件下改进算法能够优化场景中的轮廓信息,达到渲染过程中自适应采样的目的。第三种是将上述两种改进算法相融合。利用修改马尔可夫链组成方式和对重要性函数重新加权两种方法共同作用,在减小方差的同时优化图像整体结构。实验结果表明,融合改进算法使渲染图像更明亮,降低模糊度。最后,对全文进行总结,并展望了后续的研究工作。