人工智能是时下各领域共同关注的焦点,以前所未有的力量冲击着传统的生产方式和生产关系。人工智能进入到建筑及城市设计领域后,为设计流程及设计思维带来了新的思路:一方面,机器作为辅助设计工具提高了工作效率;另一方面,人工智能对于数据的学习处理能力可对建筑师的工作进行补充,弥补人类在复杂问题处理中的不足。城市形态作为时间沉淀下人文因素与自然地物相耦合的产物,表现出极强的复杂性。在城市研究中,多种复合因素影响下的形态复现一直备受关注,但却因为过程中生成逻辑的难以描述而未真正实现。本文利用生成对抗网络以实现城市形态的生成,探索深度学习技术的自动特征学习能力在生成设计中的应用。机器利用生成对抗网络模型完成对城市形态数据集的认知学习,经过训练的模型可根据输入条件生成符合城市形态学理论及数据集共性规律的城市形态。研究从深度学习在建筑学科中的应用及城市计算性生成的既有研究展开,分析深度学习与生成设计相结合的可能性。在既有研究分析的基础上,本文总结了研究的技术方向和应用细节,明确了生成实验策略;建立了城市形态数据库并调整参数进行机器训练;并对生成城市通过城市形态学理论进行分析与评估。本文内容主要分为以下三个部分:第一部分为研究前期阶段:由于该方向研究处于初探阶段,第二章对深度学习和生成对抗网络的理论进行了必要阐述,通过对建筑计算性设计发展历程的梳理强调基于深度学习的生成设计方法的独特性,根据生成对抗网络在设计生成方向的既有研究明确了实验的发展方向;第三章对城市形态的研究内容进行基础阐述及对城市形态的复杂性进行分析,利用图示的表达方式建立起机器与城市形态的映射关系,并在以上分析的基础上明确欧洲城市作为实验对象并对样本特征进行梳理。第二部分为研究实验阶段:第四章厘清了基于生成对抗网络的实验思路,完成了实验环境的搭建及生成对抗网络模型的调试,并重点分析实验过程中的数据收集处理策略;第五章详述了生成实验的具体过程,通过数据收集和基于城市形态理论的数据标记构建成对数据集,调节模型参数处理高分辨图像以适应大尺度城市范围的学习,并根据模型测试效果对数据集标记策略及训练模型进行多次调整以优化生成结果。第三部分为研究总结阶段:第六章对实验结果进行了基础分析、量化分析、对比分析并对机器的学习效果进行评估;并对整体实验及其局限性的总结;通过对多次实验的总结归纳了基于生成对抗网络的生成设计策略、流程及难点;以及对机器在生成设计中的创造性进行了讨论。最终研究成果表明:1.生成对抗网络可用于城市形态的生成设计;2.基于深度学习的生成设计方法为建筑计算性设计提供了数据驱动的新方向;3.机器在处理建筑及城市设计的复杂任务时表现出了极强的处理能力,人机协同的工作模式将在未来的应用研究和设计实践中具有更大潜力。