在计算机图形学中,大量图形学算法只能接受拓扑正确,并且质量较高的三角形网格作为输入,对于含有退化三角形的网格将可能直接影响算法结果的可靠性,然而在实际情况下,输入网格大都存在各种问题(例如网格中有大量退化三角形或者网格太密),因此三角形网格重网格化在计算机图形学中是一个非常基础而且重要的工作。已有的大量重网格化算法都是借助于全局或者局部参数化,因此当用这些算法去处理含有大量退化三角形网格时都可能会带来数值不稳定问题,从而导致重网格化结果较差甚至算法失败。本文将一种基于局部参数化的各向同性三角形重网格化算法改进成为鲁棒的参数化无关的重网格化算法,并将其拓展到各向异性重网格化。该算法大致可以划分为以下三步：预处理,重采样,以及网格顶点的重定位。在预处理阶段,可以得到模型的特征边；在重采样阶段,根据用户给定的采样点数在原网格上进行快速撒点重采样,并且使得到的点分布满足各向同性的性质；在第三阶段,使用L1oyd松弛算法来更新点的位置,从而使得到的网格的质量不断提升。由于各向异性重网格化就是在黎曼度量场下的各向同性重网格化,因此我们只需改变各向同性重网格化算法中一些度量(例如角度,长度面积等)的计算方式即可将各向同性重网格化算法应用到各向异性重网格化中。在各向异性重网格化算法中,我们使用黎曼度量场表示网格的各向异性性质,并给出了一种黎曼度量场的计算方法。在计算黎曼度量场时,我们首先从输入网格的曲率张量场出发,然后以误差控制为驱动得到黎曼度量张量场,而后对其进行拉伸长度比光顺,从而使得到的黎曼度量场能够更好的描述网格的各向异性性质。实验结果表明我们的算法是鲁棒高效的。