随着科学技术的进步，在计算机图形学、虚拟现实、计算机辅助设计技术、地理信息系统和医学图像等领域所构造和使用的模型越来越精细、越来越复杂，这些复杂的模型动辄就产生数以百万计的面片，而斯坦福大学的数字米开朗基罗计划中著名的大卫雕像的三角面片更高达20亿。这些复杂的模型对计算机的存储容量、处理速度、绘制速度、传输效率等都提出了很高的要求。然而在很多情况下，高分辨率的模型并不总是必要的，模型的精确度以及需要处理的时间也要有一个折衷，因此需要用一些相对简单的模型来代替原始模型，这就是对模型进行简化。　　 复杂庞大的模型可视化的工作对计算机的性能提出了很高的要求，因而网格简化技术有了深入的发展。目前，国内外学者已提出很多种网格简化方法。根据网格简化所依据的性能评价标准，可以将现有方法分为基于拓扑结构、基于简化过程、基于误差和基于视点相关性等四类。　　 这些技术的目的都是为了去创建一个与原始模型相近似的模型，并且简化后的模型保持了原模型形状的重要细节。然而，这些技术通常都是非常慢以至于不适合于数据量比较大的模型。　　 本文基于二次误差测度的网格简化算法，利用多核平台的优势，提出一种并行策略来提高网格简化的效率。结果表明，在多核平台优化后的并行算法比优化前串行的网格简化算法在效率上有明显提升，并且简化模型有较高的近似精度。