现代图形学应用的飞速发展对超大规模复杂场景绘制、高分辨率显示呈现、高真实感用户体验以及实时绘制效率提出了愈加严峻的挑战。尽管计算机硬件性能在近年来得到了极大提高,但仍然无法满足越来越高的需求。作为并行计算在图形学领域的具体运用,并行图形绘制系统成为解决上述问题的有效方案之一。但是多节点间的绘制任务分配一直是制约并行图形绘制系统整体性能的瓶颈,因此,研究如何实现绘制负载平衡成为影响最终绘制效果的关键因素。本文将绘制节点的绘制时间作为负载度量,将绘制负载的准确预测作为负载平衡的关键问题。通过对负载的提前预测实现对绘制任务的合理划分,以达到平衡的效果。本文提出使用随机森林模型（Random Forests,RFs）来表达绘制特征与绘制时间之间的高维非线性关系,并针对绘制数据持续不断产生且存在目标概念漂移的问题,提出了“预测+修正+学习”的自适应负载平衡框架,重点研究了随机森林在绘制数据流中的在线学习机制,通过在线学习提升模型的回归预测性能以及增强模型在动态数据流中的自适应性。本文的具体工作和创新如下:（1）为了提高模型在绘制数据流中回归预测的准确性,提出了一种称为OWL-RFR（Online Weight Learning for RFs Regression）的基于叶节点权重的随机森林在线学习方法。其基本思想是,在不改变离线训练的随机森林结构的前提下,使叶子节点基于数据流中序列数据的相关性来获得一种长时依赖,并通过梯度下降的方式优化叶节点的权值,从而赋予随机森林一种有效的长时记忆,使其可在数据流的预测过程中不断学习,获得越来越准确的预测结果。实验结果表明,OWL-RFR方法能够更好的拟合持续不断的绘制数据流,提升随机森林预测的准确性,并具有较好的收敛性和稳定性。（2）为了增强模型在动态绘制数据流中的自适应性,提出了一种称为ALSM-RFR（Adaptive Long and Short-term Memory online RFs Regression）的长短时记忆自适应在线随机森林方法。由于并行绘制系统中的绘制特征会随场景、用户交互的变化而变化,而存在目标概念漂移,使OWL-RFR方法可能无法很好的适应不断变化的动态绘制数据流。因此,本文设计了一种自适应记忆激活机制,使随机森林在稳态或非稳态数据流预测时,可以在不同记忆模式之间自适应地切换预测所使用的记忆。ALSM-RFR方法利用了叶级和树级权重,在预测过程中不断积累不同时间跨度的知识,同时赋予模型长时记忆和短时记忆,并在此基础上合成了混合记忆。实验结果表明,ALSM-RFR相对于OWL-RFR方法来说,在面向漂移的绘制数据流预测中,获得了更好的预测效果,同时,ALSM-RFR具有良好的收敛性和稳定性,方法中使用的小批量梯度和随机梯度下降优化策略也有效降低了超参的影响。（3）为了提高模型在复杂漂移绘制数据流中的自适应性,本文提出了一种称为ORB-RRF（Online Rebuilding Regression Random Forests）的在线局部重建随机森林方法。虽然长短时记忆的使用在一定程度提高了随机森林的自适应性,但面对更复杂变化的绘制数据流时,保持离线训练结构不变的随机森林难以很好的适应剧烈的变化。因此,本文提出了随机森林在线局部重建方法,以适应具有多种类型概念漂移的复杂动态连续数据流。一方面通过在线对比叶节点与其父节点的性能,实现叶节点的在线修剪,以修正由于叶节点对特征空间的不恰当划分而导致的性能下降,抑制模型过拟合;另一方面使叶节点在预测过程中动态收集预测效果较差的样本,并自底向上逐层对比节点新增样本后所含特征空间与原始空间的变化,通过回溯操作,定位到能覆盖新特征空间的祖先节点,并从该节点重新分裂获得新的子树替换原有枝干。实验结果表明,在面向复杂概念变化的数据流预测中,ORB-RRF方法比OWL-RFR和ALSM-RFR都有显著的性能提升,通过结构的在线重建使随机森林具有持续优化的自适应能力。