手绘草图作为一种便捷高效的思想表达方式,在日常生活中经常作为人们沟通交流的重要工具。随着触摸屏设备的普及,手绘草图成为了一种广受欢迎的人机交互方式,由此,在人工智能领域草图相关的研究与应用如草图生成、草图识别等逐步发展起来。深度学习是机器学习的一种,通过建立模拟人脑分析学习的神经网络,模仿人脑机制解释数据,在自然图像领域的研究中取得了出色成果。基于深度学习的手绘草图研究逐步发展起来,主要有两个方向:基于图像像素数据的研究和基于绘制笔画序列数据的研究,取得了相应的成果。但是在多类别数据草图处理方面,尚不存在高效而精确的方法。本文围绕多类别草图数据的生成和分割展开研究,主要完成了如下几件工作:1.针对变分自编码器无法利用类别信息的问题,设计了一个条件变分自编码器模型,该模型以草图序列数据和草图类别数据为输入,在编码器中分别生成隐向量,将其拼接后作为数据整体的隐向量对解码进行约束,利用类别信息对模型进行控制。2.针对多类别手绘草图生成任务,基于条件变分自编码器,提出了一种面向多类别数据的草图生成模型,利用原始草图的类别数据约束编码器生成的隐向量,使同一类别的数据服从同一分布,并且利用含有类别特征的隐向量与指导解码器生成新草图,实现了手绘草图生成的类别可控,解决了传统的变分自编码器模型和对抗自编码器模型无法处理多类别数据的问题,并在处理速度上实现了提升。3.针对多类别手绘草图分割任务,提出了一个基于条件变分自编码器的草图分割模型,该模型使用纯序列数据,无需像素化处理,充分利用草图类别信息,通过一个模型实现多类别草图的分割,提高了模型的普适性。4.优化模型的损失函数,在KL损失项中引入条件变量（即类别向量）均值,对解码器生成草图或预测部件标签进行指导,与其它损失项共同优化模型,提高了模型对同一类别草图的特征提取能力,提高了模型P＿metric和C＿metric值,在SPG数据集上平均C＿metric达到了70%以上。