实践应用中的三维模型的数量和种类正急剧增加，给模型的高效处理提出了很大的挑战。因此，视点选择得到了越来越多的关注，旨在选择出能观察到模型更多内容的视点，即好视点，以此提高观察模型的工作效率。选择模型的好视点，需要先在模型周围进行视点采样，然后对这些采样视点进行视点质量度量，从而找到观察质量高的好视点。为提高视点选择的效率，本文分别从提高视点度量的有效性、加快视点度量的速度，优化视点的采样方式和提高可见内容检测的效率等方面开展研究，并取得了如下的创新工作:　　(1)提出一种基于代理信息的快速视点度量方法。视点质量度量需要全面考察模型的信息，一般要对每个面片进行处理，使得单个视点度量的复杂度为O(N)，这里N为模型的面片数。本文提出一种基于代理信息的视点度量方法，通过提取能反映模型主要内容的六种代表性信息，即代理信息，来度量视点质量，从而将视点度量的复杂度降至O(1)。该方法在确保视觉度量有效性的前提下，能很好地提升视点度量速度。　　(2)提出一种基于规范区域构造的视点选择加速方法。在视点选择过程中，需要度量所有采样视点的质量，因此视点选择的效率与视点采样的数量相关。目前，已有方法往往通过稠密采样的方式，来避免遗漏好视点，这导致视点选择的效率较低。对此，本文研究了视点采样分布的优化处理，即通过对模型分割所得分块的好视点进行聚类，来估算模型的好视点可能存在的区域。然后，只在好视点所在聚类区域内进行采样，以缩小视点的采样范围，提高视点选择的效率。实验验证了本方法的有效性，并可将视点选择的效率提高约一个数量级。　　(3)提出一种感知驱动的模型高质量分割方法。根据对人的视觉感知的研究，高质量的分割往往是根据模型在局部区域的主要变化，即局部主要变化，对模型进行分割。然而，已有方法在分割模型时，主要考虑模型的整体形状或局部细节，没有依据局部主要变化。这使得已有方法的分割结果，在视觉感知方面的质量较低。对此，本文提出了一种感知驱动的分割方法。首先，通过构造一种能描述模型局部主要变化的“羽状覆盖”（结构），以高质量地生成凹区域内的分割线（片段）。然后，通过设计一种感知相关的误差度量函数，来引导分割线两端的延拓，以获得封闭的分割线。最后，使用这些高质量的分割线，对模型进行分割，以得到高质量的分割结果。实验结果表明，本文方法的分割结果优于已有工作的结果。　　(4)提出一种高效的点在多边形中的可见边检测算法。在度量视点质量时，往往需要检测模型的可见面。提高这种可见性判断的效率，对高效的视点度量具有重要作用。为此，本文先探讨二维情况下的点在多边形中的可见边检测问题，以期在后续工作中探讨三维模型的可见性处理。已有方法在检测可见边时，往往需要对多边形所有的边进行遮挡判断，其复杂度至少是O(n)，这里n是多边形边的数量。本文注意到，检测凸多边形可见边的复杂度只有O(log(n))。因此，本文提出将模型进行凸片段分解，以加快每个片段的可见边检测效率。然后，为判断凸片段之间的遮挡，本文提出使用格网结构来优化遮挡判断，即以点为中心，由近至远地处理凸片段，来避免处理被遮挡的网格内的凸片段。利用凸片段分解和格网，本算法能够高效地检测出多边形的可见边，算法的时间复杂度在O（log（n））～O(，n)之间自适应地变化。