原位可视化是一种有效的解决PB、EB级超大规模科学模拟计算数据分析的途径。原位可视化的关键在于原位预处理超大规模数据,减少后续传输、存储的数据量,从而缓解存储和I/O压力。不同的可视化需求需要采用不同的原位处理方法,对于想要使用体绘制技术进行数据可视化的工程,如何在原位将模拟计算程序同体绘制算法有机的结合以及如何实现多样的可视化交互是原位体绘制的两个难点。本文首先实现了一种基于体深度图像的原位体绘制的算法。该算法分两步,首先在原位计算节点改造了光线投射方法,将每条射线上颜色值相近的区域合并为一个超级片段,生成一个保存了深度和颜色信息的中间数据,称为体深度图像。而后在绘制节点,将体深度图像中的各个超级片段紧密扩展成平截锥体,进行颜色混合绘制,达到体绘制的效果。该算法可以成功减少计算节点至绘制节点的数据传输量,并且在绘制节点实现高质量、视点可交互的可视化效果。其次,本文结合基于体深度图像的原位体绘制算法,给出评估算法优劣的标准。随后给出不同参数组下体深度图像的评估标准,包括:体深度图像的生成时间、体深度图像的数据压缩率以及使用体深度图像进行绘制的质量。在分析体深度图像生成算法后,确定影响上述评估值的关键参数组:体深度图像的尺寸、生成体深度图像时的采样间隔以及判断颜色是否相似的阈值。最后,本文提出了一个原位体深度图像参数组的寻优框架,用于基于体深度图像的原位体绘制算法运行时的自动参数设置。在给出一套综合、可调控的判断体深度图像参数组优劣的评估体系后,尝试使用粒子群算法和遗传算法来加速参数的寻优过程,实验表明,该方法可以快速的找到符合需求的、高精度的最优参数组,其中基于粒子群的参数寻优算法在速度上比简单的遍历搜索方法可以快一个数量级以上。