在科学计算领域,随着学科融合的日益紧密和分布式、高性能计算的普及,仿真数据的复杂程度越来越高。该复杂性表现在时变、大规模、多变元以及多源等多个方面。其极大地限制了研究人员发现和理解科学规律,使得从海量数据中洞悉科学本质成为了极具挑战的工作。本文利用特征提取、简化与追踪技术帮助科学家快速发现和理解特征演化的规律。具体而言,本文就结构化数据的特征提取、多变元数据的特征简化与多源数据的特征追踪三个方面展开了研究,具体进展包括:1、面向大规模的结构化数据,提出了边界特征抽取的加速算法,能够交互式分割三维物体。该方法采用Jump Flooding算法与启发式Push-Relabel来加速计算过程。该算法可以在GPU上并行执行,性能、收敛性以及信息传播速度都比现有的GPU方法要好。针对视频或体数据的绘制遮挡问题,设计了所见即所得的编辑界面,用于辅助用户标记感兴趣的区域。实验结果表明,该算法在图像(最大分辨率为15K×10K)、视频(最高分辨率为2.5K×1.5K×50)以及体数据上都得到了最优的分割结果,同时取得了GPU上40倍、CPU上139倍的加速比。2、面向仿真计算的多变元数据,提出了特征驱动的网格简化算法,能够实时绘制等值面的特征分布。该方法使网格简化、生成与可视化同步进行,相比传统方法大幅降低了内存和显存的占用,能够高效地可视化大规模的仿真数据。引入金字塔剥离技术,用于渐进式地抽取简化后的网格,避免了高密度网格的生成。整个算法采用面向异构计算的Open CL实现,适用于不同类型的计算设备。由于算法内存占用较小且易于集成,科学家可以在仿真的同时进行特征简化和可视化。本文还使用了不同的科学数据集对算法性能进行评估,以表明其高效性。3、面向灾后救援的多源数据,提出了场景图布局与镜头设计算法,能够分析和追踪人群运动。首先,该方法设计的场景图能够展示轨迹特征的演化,方便用户进行路径指定与特征追踪;其次,针对路径的起始和结束位置引入全景镜头,针对合并分支引入过渡镜头,以便最大化地追踪特征;最后,为了分析特征变化、特征和环境的关联,还在动画过程中对环境属性进行了可视编码。实验结果表明,算法生成的动画能够辅助领域专家发现阻碍救援的原因。