随着三维网格模型的数据规模日渐增大,高阶数字几何计算也日趋复杂,数字几何处理研究对相关算法的实时性要求也与日俱增。GPU的出现大大提高了相关工作的计算效率,并降低了显卡对CPU的依赖,使大部分图形处理工作从CPU中转移到GPU中；同时GPU的高性能、高精度的并行计算也为数字几何处理工作提供了有力的支持。三维网格模型分割是数字几何处理中重要的基础研究问题之一,它在网格简化、压缩和编辑、纹理映射、形状匹配、参数化和动画变形等很多领域中都有着广泛的应用,通过对三维模型的分割,降低了相关算法的复杂度。目前国际国内提出的三维分割算法均存在不同程度的缺陷,如存在过分割、分割边界无意义等问题,在运算速度和分割精度方面也同样存在着不足。现有的三维网格分割算法多数源自图像分割算法,如分水岭算法、k均值聚类算法、层次聚类算法、谱系聚类算法等,在三维几何空间的分割问题上均有很好的推广应用。Mean Shift算法是一种无参的核密度梯度估计方法,算法简单无需预处理、实时性好,处理目标变形等问题较为健壮,在视频跟踪、视频信号分析、图像分割等应用中有较好表现。本文基于串行的Mean Shift分割算法,以及GPU的高性能并行运算特点,提出了一种新的三维网格模型快速分割算法,克服了传统串行Mean Shift算法复杂度高、速度慢的缺点。该方法首先基于离散测地距离的局部极值提取三维网格模型的显著特征点,然后从显著特征点开始并发执行Mean Shift算法,对于局部曲率分布较为复杂而产生的过度分割问题进行了后处理,从而实现了具有一定分割质量的快速分割结果。与同类算法相比,本文方法在保证分割质量的前提下,提高了分割速度。