在总结、分析现有随机图形生成方法的基础上，结合自由形状的造型技术、自适应神经网络的自适应学习机理，从增强随机图形的可预见性和可控性出发，在一个统一的框架体系内，研究了多种随机图形的生成方法，为增强随机图形的造型功能和自然现象的模拟能力提供了新的思路和新途径。 第1章 绪论对主要的随机图形造型方法所具有的特点、优点和缺点，以及存在的若干问题进行了较为全面地分析。从随机图形具有更好的可预见性和可控性出发，提出了本文主要的研究问题、研究内容和研究思路。 第2章 在自由形状造型技术的基础上，对型值点赋予了新的涵义，提出了基于型值点控制的随机图形生成的基本模型。给出了获取各种不同性质的型值点的方法和调控线性组合系数取值规则的随机控制法和自适应神经网络控制法，极大地增强了随机图形的造型功能，为生成具有各种不同形态特征的随机图形提供了新的途径。 第3章 在没有生成中间几何图元的情况下，提出了基于型值点随机组合，从离散到离散的随机图形生成方法。详细地论述了如何利用线性组合系数和型值点的随机性来调控随机图形的形态特征，形态的趋势性、模糊性和随机渐变性。提出的方法能够对随机图形的散乱块状结构之间的模糊过渡性、非连通性的形态特征进行有效地控制。 第4章 从增强随机图形的可预见性和可控性出发，将随机图形与自由形状相结合，提出了随机图形变形生成的自适应神经网络控制法和插值移位法。在自适应神经网络控制法中，将调配型自由曲面作为自适应线性神经元网络的学习对象，在没有加入随机移位扰动量的情况下，生成具有非规则结构特征和较好可控性的随机图形。在插值移位法中，以自由曲面离散生成的de Casteljau算法为基础，给出了两种插值移位变形方法——均匀插值移位法和非均匀插值移位法。算法中，利用各种不同性质的移位扰动量调控随机图形的复杂多样性；利用非均匀的递归插值方式，将非规则精细结构的形成融入到插值过程中，在没有加入随机性的情况下，生成具有非规则结构特征的随机图形。 第5章 提出了一种基于多变量随机映射的、多种映射对应关系混合控制的随机图形生成方法。算法中，利用变量取值的随机性和非规则性控制随机图形的随机性和非规则性；利用多个点映射对应关系、多个变量对应关系和多个对象形状控制随机图形的随机性；利用变量对应点之间的Manhattan距离调控几何纹理的形成过程和纹理合成过程，可较好地对局部颜色纹理合成和几何纹理形成的连贯性变化进行调控。 第6章 结合一些重要的自然现象所具有的形态特征，将随机图形生成的多种方法应用于云团、云层变形、地形地貌、龙卷风的几何形态生成，并给出了相应的模拟效果图。 第7章 对全文的研究问题进行了总结，指出了本文的创新点，提出了进一步的研究方向。