工业虚拟仿真是推动工业互联网发展的关键技术,其中实时渲染是该技术的主要性能瓶颈,而面向高精度三维网格模型的简化方法是提升实时渲染性能的有效途径。目前,主流的网格简化算法大多通过剔除冗余数据来减少原始模型的存储大小,但这会导致简化后的模型存在特征缺失与拓扑形变的问题,从而无法满足模型在仿真系统中精确模拟的需求。因此,本文开展了基于网格区域分割的三维模型简化算法的研究,首先通过网格区域分割实现区域特征信息的精确分类,然后根据区域分类信息构建自适应区域简化策略,最后结合特征维持操作实现自适应网格简化。本文的主要研究工作如下:（1）基于融合曲率的网格区域分割算法针对现有的区域分割算法存在的边界模糊与效率过低的问题,本文提出了一种基于融合曲率与划分式聚类的网格区域分割算法。首先,设计了一种基于融合曲率特征的图构建方法,结合深层曲率信息与形状指数构建曲面分类描述子,并引入到相似度计算中,用于提升网格模型的对偶图质量;其次,将对偶图视为待聚类数据集,构建了一种基于增量搜索与K值预估的K-medoids聚类算法框架,定义敏感度函数确定聚类数量K的大小与初始中心点的位置,并根据聚类中心点的替换次数逐步扩大搜索范围直至确定最终的聚类中心点,用于提升聚类的稳定性与效率,以此实现网格模型的精准区域分割。（2）面向区域分类的自适应网格简化算法针对现有网格简化算法存在的拓扑形变与特征缺失的问题,本文提出了一种基于锐度特征和区域分类的自适应网格简化算法。首先,创新地构建了一种基于顶点锐度特征的边缘收缩算法框架,通过双边滤波计算顶点与其邻域的平均曲率特征差异,并采取指数调和的方式引入到边缘收缩代价中,用于降低具有重要特征的边的收缩优先级;然后,设计了一种基于区域分类的动态指数寻优算法框架,通过网格区域分类信息与监督学习网络构造区域最优指数选择器,用于预测边缘收缩过程中每个局部区域的最佳简化指数;最后,对原始模型实施基于顶点锐度特征的边缘收缩算法,并根据最佳简化指数集合动态调节简化策略,以此实现面向区域分类的自适应网格简化。