汽车造型被消费者接受和喜爱的程度将直接影响一款汽车在市场的竞争力。然而,汽车在未经市场检验前,由于受诸多主客观因素干扰,准确判断其造型在潜在用户的喜好程度较为困难。因此,构建客观合理的汽车造型自动评价方法对于汽车造型设计具有重要的研究价值。针对该问题,本文以汽车造型自动评价为研究目标,开展了考虑用户属性的汽车造型综合评分机制、大数据驱动的汽车造型自动评价机等相关系列问题研究。具体研究工作如下:为提升汽车造型自动评价的准确性与合理性,提出了基于Res Net-50特征提取网络的汽车车型精确识别及角度估计方法。首先网络采集并创建了大规模汽车多视角均匀采样图片数据集USMV875,其涵盖875款车型、54750张图片,为后续车型识别和角度估计提供了数据支持。采用Res Net-50特征提取网络分别进行汽车车型识别和角度回归估计。数值实验表明,本文的汽车车型识别模型精度可达98.61%,性能优于Alex Net、VGGNet-16和Res Net-18等网络结构。汽车角度估计模型的角度估计误差不大于3度,具有较好的精度和鲁棒性。此外,本文通过探究训练集中不同角度区域对汽车车型识别率的影响,为自动评价机的角度因素提供了参考。提出了基于深度学习的汽车造型用户自动评价机。本文采集并建立了基于多视角图片表示下的汽车造型用户评价数据库。考虑用户的属性信息,构建汽车造型的综合评分机制,以确保用户评分的公正性及专业性,进而对网络用户评价数据进行处理,完成汽车车型的造型评分标注。采用基于Res Net-50特征提取网络的回归方法,训练汽车造型评分模型,分析角度对汽车造型评分的影响,结合汽车车型识别模型和角度估计模型,构建汽车造型的用户自动评价机。实验表明,该方法能够得到较为客观合理的汽车造型评价,对设计师把握用户喜好具有一定的参考价值。提出了基于DRGAN生成对抗网络以实现汽车多视角图像自动生成。本文采用DRGAN的方法,考虑实际数据情况,利用USMV275数据集下各车型的多视角汽车造型图片训练模型,实现汽车多视角图像的生成。数值实验表明,输入不同角度的汽车图像、生成图像与输入图像的角度距离以及不同汽车品牌都会对生成图像的效果产生影响。