真实感图像绘制作为计算机图形学的重要研究课题，通过综合利用数学、物理学、计算机以及心理学等知识绘制出逼近真实相机拍摄效果的图像。其中，蒙特卡洛路径跟踪算法模拟光线在场景中的各种行为，是一种有效的真实感图像绘制算法，并且在计算机辅助设计、电影游戏特效、科学仿真以及医学成像等领域被广泛应用。然而，该方法的主要问题是收敛速度慢。因此，自适应采样与重构算法被用于提高绘制质量和算法效率。本论文针对现存自适应采样与重构算法中存在的噪声影响大以及绘制代价高等问题进行研究，主要贡献如下:　　(1)为了将昂贵的绘制消耗分布到最可能造成走样和噪声的区域，提出一种利用BP神经网络对像素对应场景点的光照变化程度进行判断的算法。该算法通过分析粗采样过程得到的高维度信息，建立像素间独立的BP神经网络训练模型。然后利用训练好的模型识别光照条件变化剧烈的像素，并实施各向异性重构。该算法可以优化采样点分布，提高图像绘制质量。　　(2)为了对每个像素选择合适的重构参数，提出一种利用最佳匹配块进行误差估计的算法。该算法通过计算f散度构建最佳匹配块，然后选择和中心像素处于同一纹理区域的像素形成引导图像。最后利用引导图像对重构误差进行估算，进而选择可以降低重构误差的最优重构参数。该算法能够在低采样率条件下有效地计算重构误差，在保持图像高频细节的同时去除噪声影响。　　(3)为了提高景深、运动模糊等特殊效果的绘制质量，提出一种基于Sobel算子和引导滤波器的辅助特征图像预过滤算法。该算法首先利用Sobel算子提取特征空间的梯度变化，然后使用引导滤波器对辅助特征图像进行预过滤。同时，对偏差以及方差分别进行参数曲线拟合，最后在连续空间内推导出最优重构参数。该算法能够提高多种蒙特卡洛特效的绘制质量，同时避免图像细节不连续问题。　　(4)为了通过计算单个模型重构窗口内的全部像素并降低绘制消耗，提出一种利用线性回归进行自适应绘制的算法。该算法利用辅助特征信息进行模型拟合，然后使用颜色信息计算回归权重，可以避免对输入噪声形成过拟合。最后，通过提取场景梯度信息对重构窗口的尺寸进行自适应选择，在降低算法负载的同时提高去噪效果。该方法能够加速蒙特卡洛路径跟踪算法的收敛速度，并可以有效地保持高曲率区域的图像细节。　　(5)为了避免异常点对最终的绘制结果产生影响，提出一种利用支持向量机(Support Vector Machine，SVM)优化重构窗口的算法。该算法通过分析像素在高维特征空间中的差异，为每个像素训练独立的SVM分类器。然后进行相似性检测，并选取具有相似边角特征的像素构造重构窗口。最后，通过实施特征融合产生平滑的图像细节。该算法可以优化重构窗口，并能够清晰地绘制高频边角细节。