随着三维数据获取和相关处理技术的迅速发展,密集的三角网格表示已成为计算机图形学事实上的标准.为了表示模型的丰富细节,网格数据常常规模庞大,直接对其存储、传输、绘制、编辑都需要耗费巨大代价.因此,如何用规模适合的网格来表示这些复杂网格就成为了解决这一问题的关键技术.针对此,Lounsbery首先建立了多分辨率分析(MRA)框架,将原始网格表示为一个细分连通的粗网格以及一系列小波系数.在此基础上,Eck等建立了任意网格的多分辨率表示(MRR),进一步推广了MRA的应用.此后,MRR的大量工作都以此为基础展开.近几年,MRA被广泛应用在电影、游戏以及科学研究等领域. Eck等人的任意拓扑三角网格MRR重构算法基于Voronoi-Delaunay三角化技术,能够生成高质量的基网格.但在进行Voronoi划分时,该算法从一个随机选取的初始基面(site)开始构造满足Voronoi划分条件的块集,效率不高且重构网格的质量受初始基面的选取影响很大.此外,该算法通过参数域线性细分方式对原网格数据重采样,从而造成了Delaunay三角域问的明显分界.基于此,本文通过曲率引导一次性选取一批基面来生成Voronoi划分,提高效率的同时,可以在相同网格规模下取得更好的重构质量.在重采样时,用粗网格的Loop细分来指导对参数域的细分,减轻块间分界现象.同时,提出了一种自适应细分重采样技术减轻块问分界现象的同时减少数据冗余.此外,还提出了一种方法保持模型的尖锐特征.最后,给出了实验结果和数据比较证明我们的方法能够有效的生成一个细分连通的基网格.