随着科学技术的发展，模拟计算和仪器测绘所得到的海量数据可视化越来越成为应用的瓶颈。实时可视化研究主要包括基于GPU的可视化算法加速和并行可视化。本文以三维数据场可视化为研究对象，重点研究在Multi-GPU集群上海量数据的实时交互可视化。所取得的创新性研究成果可归纳如下：　　 (1)提出了一种基于CUDA的等值面提取加速算法移动立方体(Marching Cubes)算法是目前最流行的体数据面绘制算法，具有简单、易实现、图像质量较高等优点。本文结合区间树结构，用CUDA实现了基于数值区间的体数据重新组织，加速移动立方体算法。算法通过对体素极值的有效筛选，并行建立基于极值的区间树，进而实现基于区间树的体素重组；实时等值面提取过程中快速剔除不活跃体素，减少无贡献体素的计算。本算法能并行剔除提取等值面过程中的不活跃体素t算法加速达到50％以上。　　 (2)提出了一种基于CUDA的体绘制加速算法光线投射算法(Ray Casting)是目前应用最广泛的直接体绘制算法。具有绘制质量高、视点无关、易于并行等优点，但计算复杂度高。本文提出了基于方差分析的体绘制加速算法，通过均质区域的快速跳过，加速光线投射算法。算法通过自顶向下的划分体数据，对子块进行方差计算，得到对体数据方差的统计信息，进而找出可跨越匀质区域，避免了一些多余采样。本算法对均质体数据能达到10％-90％的加速，并能通过调节方差值进一步加速。　　 (3)设计并实现了基于CUDA可视化管线的Multi-GPU集群环境并行可视化框架并行可视化框架提供了Multi-GPU集群环境下的算法快速并行化解决方案，能够避免大量重复性编码，便于系统扩展和维护。CUDA可视化管线采用数据流模型，以数据处理为中心，把数据和算法分开考虑。将要处理的数据抽象为在管线中流动的流动介质，CUDA算法抽象为根据上下文的数据流加工和处理，封装了实现细节。类接口设计简单统一，系统具有良好的扩展性和可维护性。