城市肌理在城市设计乃至建筑设计中都占有非常重要的地位,记录建筑布局和空间格局等信息,为进一步的城市空间、建筑形态设计等提供重要依据。但肌理生成又是复杂的,需要耗费大量时间,考虑诸多因素,选择合适的方法才能设计出比较好的城市肌理形态。另外,传统的计算机自动生成肌理方法无法满足快速、准确、可控的生成效果。机器学习领域中的深度学习方法可以基于大量数据进行训练,学习到数据中的规则、逻辑,从而生成以假乱真的数据。这种生成方式可以让机器来自动学习生成逻辑,并帮助人们进行设计。因此在本研究中从深度学习技术的原理出发,尝试使用不同的深度学习方法来实现快速、准确、可控地生成肌理方案。风格迁移和条件对抗生成网络是深度学习模型中两种较为成熟的生成模型,风格迁移可以根据参考的风格图像,将该图像上的纹理图案样式迁移到目标图像上并达到整体协调的效果;条件对抗网络可以根据不同条件来生成对应的结果。这两类模型经过实验证明都可以快速地生成城市肌理,从而辅助指导设计。在本研究中,对于这两类模型分别进行了实验,探究不同的模型在肌理生成效果上的差异以及各自适用的场景。在风格迁移中,使用了神经风格迁移和Cycle GAN两种模型,神经风格迁移模型可以快速生成肌理图像,而Cycle GAN可以在更广泛的数据集上进行训练从而学习到深层的肌理形式逻辑,两种模型都比较容易上手,生成的肌理可用来为设计师提供设计灵感。在条件对抗生成网络中,主要使用Pix2pix模型,总结出一套数据集收集、处理、清洗的方法,以及如何提高模型训练效果的方法包括模型超参数调节、模型架构调整、迁移学习强化等,另外也使用Gau GAN模型来生成多样化的输出,然后提出一种基于深度学习模型的评估方法,对于不同模型的生成质量进行评估,最后将经过良好训练的Pix2pix模型应用于不同设计场景中的城市肌理生成上,从步进式肌理生成和城市尺度肌理生成两方面验证了该模型可以快速、准确、可控地生成肌理方案。研究中也探究了深度学习技术背景下的新型人机交互设计模式。在过去的人机交互设计中,机器往往是没有智能的,而在深度学习技术下,人不需要手动编写程序,只需要将知识传授给机器,机器具备足够的智能来学习并完成相应任务,因此具有更强的潜力来帮助完成更好的设计。本文正文共约65 000字,图表162幅。