近年来随着关于三维数据的研究与深度学习的紧密结合,三维内容（如物体与场景）的生成已成为三维深度学习的研究热点。三维场景生成研究包含基于图像的三维生成和基于语言描述的三维生成等,本文基于草图图像研究的三维场景生成。因为草图不具有深度信息会影响模型生成质量,镂空结构的框架场景生成草图就不具有可指示遮挡等深度信息;此外普通RGB图像与草图存在较大差异,所以大部分基于RGB图像的三维生成算法无法直接迁移到基于草图的三维场景生成研究中。针对以上问题,此本文主要围绕基于草图生成具有镂空结构的三维框架场景和基于草图生成表面光滑逼真的目标三维模型开展研究,主要研究工作如下:（1）目前的研究缺乏基于草图的三维数据集,因此本文首先从数据集结构、数据采集、数据预处理、数据集自动清洗等方面开始研究,系统化构建了一个包含模拟草图、原始三维框架场景、原始三维模型、三维占用网络表示与三维体素表示的室内场景数据集。该数据集作为本文研究的基础,将本文提出的模型应用于该数据集完成三维室内场景重建过程与可视化;同时该数据集在一定程度上对现有三维数据集进行了补充与扩展。（2）针对具有特殊镂空结构的三维框架场景草图缺少可指示遮挡信息,而一般基于图像的三维生成算法又无法直接迁移使用的问题,本文提出了一个三维框架场景生成模型S2F-GAN。该模型以模拟草图数据、模拟草图边缘特征以及三维体素数据为基础,使用生成对抗网络实现了基于模拟草图的三维框架场景生成;并在本文构建的室内场景数据集上进行了大量实验,将S2F-GAN模型应用于室内场景中房屋镂空框架的生成。实验结果表明,S2F-GAN模型生成样本与原始三维模型在体素级水平评估较好,生成样本的相似性评价比对比模型提升了0.0041～0.0174;在保证生成高质量三维框架样本的同时具有较低的模型参数量,在基于草图的三维框架场景生成研究方面具有一定的有效性。（3）针对草图缺乏深度信息导致无法生成表面光滑逼真的目标三维模型的问题,本文提出了一个结合生成对抗网络与占用网络的模型S2M-GAN。该模型以模拟草图数据与三维数据为基础,首先基于生成对抗网络生成低质量目标三维模型,进而通过占用网络化对其进行优化,实现基于单模拟草图生成表面光滑逼真的目标三维模型;并在本文构建的室内场景数据集上进行了大量实验,将S2M-GAN模型应用于室内场景中三维家具的模型生成。实验结果表明,第一阶段生成的低质量体素模型评估结果稍劣于其他模型,但第二阶段生成样本评估结果明显优于其他模型;不同数据集下,S2M-GAN模型生成样本与原始模型的相似性提升了0.26～0.51、特征点相似性提升了0.37～0.49;在保证生成完整高质量样本的同时具有较低的模型参数量,在基于草图的三维目标生成研究方面具有一定的有效性。综上所述,本文构建了一个基于草图的室内三维场景数据集,提出的S2F-GAN和S2M-GAN模型分别实现了基于草图生成镂空结构的三维框架场景和基于草图生成表面光滑逼真的三维目标;并将两个模型应用于自建数据集,生成了完整的三维室内场景,验证了两个模型的可行性。实验结果表明,两个模型均达到了较好的三维生成评估标准,并且生成样本精确度较好、保证了模型与原始三维模型的相似性。