室内场景布局估计是场景理解的基础任务之一,其目的是估计室内空间的整体空间结构,在虚拟现实、增强现实、机器人导航等应用领域中具有非常重要的作用。传统室内布局估计方法大多将室内空间看作一个“三维盒子”,基于场景的低级特征,推断灭点位置以及二维布局估计结果,进而重建出室内布局的三维模型（尺度无关）。传统方法易受到环境噪音与遮挡的影响,鲁棒性与精度较差,并且需要产生并评估大量侯选布局,速度也较慢。基于深度学习的布局估计方法通过神经网络提取图片的高级语义特征,直接预测室内布局结构。虽然深度学习方法在速度、精度、鲁棒性上都有较大提升,但与传统方法相同,都只适用于盒型房间,应用场景有限。近年来,许多研究人员考虑结合场景中的深度信息解决室内布局估计问题,这些方法针对通用型（盒型/非盒型）房间,利用神经网络预测每个布局平面的范围及其平面参数,实现对室内布局的三维重建（尺度确定）。三维方法适用于通用型房间,但是运算速度往往较慢,实用性有限。针对上述问题,本文进行了如下工作:（1）基于大型合成室内场景数据集Interior Net,本文标注了大型三维室内场景布局估计数据集Interior Net-Layout。数据集中包含8219张图片,训练集、验证集和测试集的比例约为8:1:1,分别含有6534,833,852张图片。数据集中包含的数据类型有:RGB图片、原始深度图、布局平面深度图、布局平面语义分割图、相机内参、实例级平面参数、布局关键点的坐标、关键点连通矩阵、原始表面法线图。相对于布局估计领域现有数据集,本文标注的数据集的数据量最大,数据类型最多,样本的布局结构更丰富,适用于更广泛的布局参数化形式,易于训练出更稳定的神经网络模型。（2）布局估计领域中的传统方法与深度学习方法往往基于盒型房间假设而设计,无法应用于更复杂的非盒型房间。针对该问题,本文基于单幅RGB室内场景图片,提出了一种竖直墙面结构参数化方法,用以解决单天花板、单地面通用型样本的布局估计问题。具体来说,本文将墙面的布局关键点看作图的顶点,将布局边缘看作图的边,通过无向图表示竖直墙面结构,并通过神经网络学习布局参数。最后,基于预测的无向图,推断出室内空间的整体布局结构。本文在布局估计领域中的基准数据集LSUN以及本文标注的大型布局估计数据集Interior Net-Layout上进行实验,验证了本文方法的效果。（3）最近的工作利用卷积神经网络,结合场景中的二维与三维线索解决布局估计问题,但是这些方法缺乏语义信息并将布局平面看作独立的对象,忽视了墙面之间的顺序关系。本文针对通用型房间,通过提出的有序分类损失函数将墙面顺序关系嵌入语义分割方法中,并设计了一个双分支网络进行三维布局估计研究。该网络同时输出像素级的语义分割图及平面参数图,而后通过实例级池化层求得每个布局平面的实例级平面参数。通过对深度图相交算法进行分析与改进,使之适用于通用型布局结构。最后通过改进的深度图相交算法,利用三维信息对二维布局语义分割图的布局边缘进行平直性优化。本文在合成的与真实的数据集上进行实验,表明了本方法在保持高精度的同时,取得了更快的计算速度。