三维形状一直是计算机视觉领域重要的研究对象。三维形状生成是从概率空间中采样生成真实且新颖的三维形状,它不需要大量标注信息,通过无监督的训练,实现从低维空间到高维空间的映射。这在游戏建模、虚拟现实、创意设计、智能加工制造业都有广泛的应用。近年来,很多研究者开始将深度神经网络与不同的三维表达方式结合来研究三维形状生成,如体素、点云、网格以及隐函数表达方式。体素数据具有良好的结构特性,便于特征学习和计算,且体素表达形状的结构类型不受限制。因此,很多三维形状生成的工作都基于体素来完成。此外,基于网格特征的表达方式由于其直接学习三维形状网格表面的几何和纹理特征,用二维特征来表示三维形状特征,算法训练需要的内存更少,有效解决了三维形状特征表达的难点,在三维形状生成研究中有很好的应用前景。但现有的工作都存在以下问题:现有的基于体素的三维形状生成方法,主要使用3D-CNN来进行编码,仅利用了体素的层次特征,而缺乏多尺度特征;体素的特征学习中只能学习到局部特征,很少利用数据的全局特征;网格的非欧式结构,让传统的卷积网络无法直接学习特征;基于网格特征的方法主要专注于网格上的特征学习方法研究,而对生成方法研究较少;网格特征学习上采用的图卷积网络大多采用浅层的网络结构,融合的节点信息有限,更远处的节点信息则需要更深的网络结构来聚合。图卷积网络的自注意力机制也需要进一步研究。针对上述问题,本文基于体素和网格的表达方式,对三维形状生成方法进行了研究,本文的主要贡献如下:1)提出了一种基于体素特征的多尺度残差特征和全局特征的形状生成模型,利用三维形状体素多尺度特征之间的相关性,学习更有效的三维多尺度特征。通过多尺度特征的融合,获得更好的编码效果。同时利用全局特征提取模块来增强卷积核的视野范围,可以获得特征图中更远位置的相关性,提取到全局特征,将全局特征与局部特征融合,增强网络的模型生成效果。通过自编码器和GAN来利用多级残差特征和全局特征来学习三维形状生成。2)提出了一种基于网格特征的形状生成方法,在不规则的三角网格上,利用图卷积来对网格进行特征提取和高低维空间的映射。在生成器中设计了基于Cheb Conv的残差网络,提高网络对更远处节点的信息聚合能力,增强生成器的拟合能力。并提出了通过GAT来增强网络的判别器,通过学习周围节点的权重信息,更好地聚合相邻节点的特征信息。实验证明所提出的方法能够随机生成具有细节、真实的高质量网格模型。本文提出的基于体素和网格特征的生成网络,能够生成更加真实、新颖的三维形状,为体素和网格上生成方法的研究奠定了一定的基础。