传统设计和构建三维模型的方法往往依赖于先验知识或引入合适的假设及约束来进行生成,其过程繁琐且方法不具备良好的泛化性。数据驱动的三维模型生成方法将形状知识和几何处理相结合,探索和研究从无到有的建模方式,实现简单便捷的三维模型生成,是目前计算机视觉和计算机图形学领域的研究热点。本文致力于设计有效的三维模型生成算法,通过学习现有数据中所蕴含的视觉外形、结构、功能等信息,自动生成符合语义约束的三维模型。本文的主要研究内容包括:（1）针对基于传统生成式对抗网络生成三维模型时的模式崩溃和不可控问题,本文引入条件生成式对抗网络,以模型的类别信息为条件约束生成过程,实现指定类别生成三维模型。同时本文设计了一个新的三维模型重建框架,引入条件变分编码器和三维体素模型分类网络提高了三维模型的重建精度和学习复杂数据分布的能力。（2）现有的生成三维体素模型的方法由于内存和计算的限制,结果大多局限在低分辨率。为了解决这个问题,本文提出基于多视图的高分辨率三维模型重建算法,将最新的图像超分辨率算法引入到三维模型生成领域,结合模型的多视图表达,获取模型高分辨率的细节。此外,本文设计了针对高分辨率三维模型重建的级联式架构,通过逐步预测和完善模型信息,实现重建高分辨率且包含表面颜色信息的模型。（3）针对视图不可见区域三维模型重建精度不高的问题,本文提出基于视图先验和自适应网格的三维模型重建算法,通过学习视图先验知识获得更准确的重建结果。另外,该方法还引入基于曲率的自适应网格细分,使网格模型的重建结果不再受限于初始模板网格。针对以上三种三维模型生成算法,本文在Shape Net数据集、Model Net数据集、IKEA数据集等多个三维模型数据集上进行了丰富的实验,与现有先进算法进行多角度对比,实验结果验证了本文所提算法的有效性。为了进一步直观且形象地说明算法的效果,本文基于Web GL搭建了一个三维模型生成系统,能够在给定条件下自动生成或重建出对应的三维模型。研究成果可用于虚拟现实、无人驾驶、电子商务、文化遗产保护等领域。