信号地图在室内定位、分析信号覆盖状况等方面具有广泛用途,对运营商而言,良好的信号地图可以指导其对于基站运维与基站部署的决策,对无线网络使用者而言,信号地图可以可以使用户知晓周围网络状况,从而提升上网体验。然而已有的信号地图构建算法都是基于信号的时间相关性和二维空间相关性进行恢复的,未能考虑信号在三维空间上的相关性。本文首次利用信号在三维空间上的相关性来恢复缺失数据,从而构建地面信号地图。通过采集少量的空中信号,就可以较好地还原出地面信号地图。同时,本文使用无人机来采集空中信号。基于上述思想,本文从三维角度提出了两种在无人机辅助下的地面信号地图构建方法,分别是基于传播模型的方法和基于卷积神经网络的方法。其中基于传播模型的方法只利用当前时隙内的空中信号进行地面信号地图构建,适用于信号变化较大的场景,这种场景下历史信号很难提供有用的信息,基于神经网络的方法利用了大量历史时隙中的稀疏空中信号和完整地面信号,适用于信号有周期性变化或者变化较小的场景。为了更进一步地降低空中采样点的个数,同时提高地面信号地图的恢复精度,本文提出了随机-主动采样策略,通过将主动学习的思想结合到随机采样中,从而选择出更有价值的空中信号点进行采样。在仿真和真实场景下的实验证明,本文提出的方法在空中信号缺失率为90%时仍能很好地恢复出地面信号地图。