纹理是数字图像中的重要表示方式之一,被广泛应用在虚拟对象的外观建模中。随着科技的发展,虚拟现实产业与动漫产业蓬勃发展,这些产业的兴起背后需要涉及到大量场景图像的纹理处理工作,依靠较繁杂的人工作业,拉长了制作周期,消耗了大量的人力资源和制作资金。随着计算机技术的不断进步,计算机辅助人工处理纹理图像的技术越来越重要。传统的纹理合成技术往往只注重创建最优的目标纹理,而对获取理想的输入纹理样本和样本的组合的美学方面没有给予足够的重视。目前,对于工作人员来说,从图像中获取纹理样图和将纹理样图重新组合仍然是一项劳动密集型的任务,通常需要仔细的摄影和大量的后期处理。本文提出了一种基于深度学习的多样本纹理自动获取与合成算法。我们的第一个研究方向是基于纹理性的多样本纹理自动获取算法。为了提高图像样图识别的效率,我们首先对输入图像进行泊松盘采样,随机且均匀地对输入图像进行裁剪。为度量样图的全局纹理性特征,我们基于SVM的预测(训练来源于UIUC数据集和15-scene场景数据集),使用Gist特征描述符粗略区分纹理样图和非纹理样图。为了过滤局部含有非有效纹理的异常样图,我们通过提取和匹配整个样图及其各子区域的结构特征(BGP)和颜色特征(颜色直方图)进一步度量样图的局部纹理性。我们对通过采样得到的每个样图应用基于全局和局部纹理性特征度量后进行评分和排序,最终得到理想的纹理样图。我们应用各种不同纹理的图像对方法进行评估,其视觉效果和对比人工选择和统计结果表明其有效性。在获取到许多纹理样图后,在成百上千的纹理样图库中寻找适合某个场景的某张纹理样图是相当繁杂的工作,基于深度残差网络的多样本纹理自动合成算法将有效解决该问题。我们首先对输入的场景图像进行主题色提取,人工手动选取各区域的颜色,从数据库中筛选出与区域颜色相似的纹理样图。为保证各区域中纹理样图的合成效果,我们通过提取纹理样图的纹理性、同质性和重复性特征后,综合度量纹理样图的可合成性,筛选出每个区域中可合成性高的纹理样图。再充分考虑不同区域的纹理样图之间的美学兼容性,我们根据纹理样图的基元排列和基元构成设计了一个纹理样图对数据集,通过深度残差网络训练纹理样图对数据集,并预测出排名Top-3的纹理样图对。最终,合成到输入场景图像,形成三组具有不同风格的场景图方案。我们设计并实现了一个多样本纹理自动合成交互系统,并多角度对比了深度残差网络在其算法中的准确性。