随着超级计算机的发展,计算能力得到了不断的提升,科学研究中处理的数据规模也越来越大。科学可视化作为一种有效的科学发现手段,也面临着海量数据所带来的巨大挑战。并行绘制将并行处理技术引用到传统的绘制方法中,是解决该挑战的有效技术途径之一,其通过将图像绘制任务划分到不同处理器上,从而实现图像绘制的并行处理。根据图元排序的时机不同,并行绘制被分为三种架构Sort-first,Sort-middle和Sort-last,其中Sort-last并行绘制架构由于其良好的负载均衡效果以及高度的并行处理广泛应用于各种大规模并行绘制算法中。Sort-last并行绘制架构拥有完整的图形绘制流水线,相较于其他两种并行绘制架构来说,该架构多了一步额外的图像合成过程,因此图像合成阶段的开销成为了性能的瓶颈所在。为了提高图像合成的效率,从而进一步提高并行绘制的效率,各种经典的图像合成策略被提出。然而现有的图像合成策略虽然效率得到了很好的提升,但是其更多的是在特定的环境中拥有良好的表现,例如Direct Send图像合成策略在小规模环境中表现良好;Binary Swap图像合成策略当处理器数目为2的次幂时整体性能较优;Radix-k图像合成策略只有在基向量k选取合适的情况下,才能达到较高的性能等等。因此在大多数情况下,现有的图像合成策略并不能达到其最佳性能点,甚至会低于平均性能。针对该问题,本文提出了一种全新的图像合成策略mSwap,旨在通过确保参与图像合成的处理器数目为最佳规模来提高图像合成的效率。为了合理的控制参与运算的处理器数,本文提出了最优（m,k）表,该表记录了 m（每组中处理器的分组规模）和k（每组中处理器的数目）的最佳组合。mSwap图像合成策略根据最优（m,k）表将参与图像合成的处理器进行分组,然后在每组中基于m叉树进行图像和合成,从而减少处理器之间的通信开销。最后不同组之间基于二叉树进行合成,生成最终的结果图。我们在天河3原型机上验证了 mSwap图像合成策略的有效性,并且和其他经典的图像合成策略进行性能比较,证明了 mSwap图像合成策略的可扩展性。