使用计算机对运动界面进行模拟和追踪有着成本低、操作简单等优势,同时又可以保证实验的完整性和全面性,因而得到了广泛的应用。随着导致血栓形成的级联生物反应被确认,许多基于凝血过程的血栓仿真模型被提出,与传统的血栓研究相比,这种方式对实验操作者及仪器的要求更宽松,并且可以更好的描述血管和血栓形态的多样性。在血栓仿真实验中,生长中的血栓表面即一个运动中的界面。进行界面追踪所需的数值计算时,非常重要的一个部分就是求解区域的网格化。在基于网格的实现方式中,水平集方法是一种不需要参数化的曲线或曲面的方法。将水平集方法与自适应笛卡尔网格相结合,可以实现对目标区域的分级细化,在提高重点区域分辨率的同时,可以避免由于全局细化所带来的内存使用过高。但是这种不均匀的细化会导致T节点的出现,找不到完整的邻居节点集合会给计算增加难度;同时,随着迭代的进行,数据规模逐渐增大,水平集的演算时间也随之增加,所需的存储空间也会变大。针对上述提到的问题,对基于水平集的自适应网格算法进行了改进,并将改进后的算法应用在了血栓仿真中加以验证。本文的主要工作如下:（1）提出了使用红黑树数据结构,代替四叉树/八叉树数据结构,对笛卡尔自适应网格进行存储,解决了存储空间消耗大,计算效率低的问题。对二维/三维空间的分割,一般是使用四叉树/八叉树来进行的。这种结构的优势在于,可以将物理空间和存储结构非常简单的进行对应,缺点是存储空间的浪费以及访问指定节点的时间过长。使用红黑树数据结构来进行存储,同时引入了Morton码来对每个节点进行编码,在保证提高效率的同时,还可以表示节点之间在空间上的邻居关系。（2）对Red-green细化策略进行了改进,并应用于笛卡尔自适应网格的细化,解决了分级细化时,T节点导致计算困难的问题。通常四边形网格的细化都是采用二分法,通过将两条不相邻边的中点进行相连的方式进行细化。这种方法的优点是简单并且可以保证其子网格的形状与原网格一致,缺点是会导致不同细化级别之间出现T节点,从而增加计算难度。为了保持其优势并弥补其不足,引入了Red-green细化策略的思想,并对传统的Red-green细化策略进行了改进,使其更加高效。（3）根据血栓的形成机制构建了基于凝血机制的初期血栓混合生长模型,将上述两种改进方法应用于混合模型中进行实验。混合模型包含血浆子模型、血小板子模型和血栓子模型。本文分别设置了有狭窄和无狭窄的两种血管,在不同血流速度下统计血栓生长速度、血栓脱落时间以及血栓脱落时的体积等,并将实验结果与其他临床实验结果进行对比,验证仿真的准确性。