建筑业在我国国民经济中的支柱产业地位稳固。传统的建筑行业长期存在生产管理方式粗放、跨专业协同能力不足、资源消耗过度等痛点,难以满足建筑业新时期绿色和高质量发展的需求。数字化建筑是将建筑信息模型（Building Information Modeling,BIM）、大数据、人工智能等新一代信息技术与建筑全生命周期要素融合的产物。数字建筑的发展是推动建筑业转型升级,提升建造水平和建筑质量以及实现“双碳”战略目标的必然要求。BIM模型是建筑信息共享传递的载体,涵盖了工程项目从规划设计到施工运维的全部设施数据,为科学决策提供可靠的依据。因此,BIM技术是已经成为数字建筑发展的基础手段。目前,BIM技术的应用已经广泛地渗入到建筑设计、施工、运维阶段。大量BIM构件被建立存储,以便于缩短设计时间。设计者对于快速准确地获取相似构件的需求日益迫切。无论是在线共享的BIM构件库还是设计者自有的构件库,他们只能通过文本信息建立的分类目录或搜索引擎,人工查找满足需求的构件,并且逐一打开确认。这种方式需要耗费大量的时间和人力。除此之外,BIM室内设计是建筑设计不可缺少的部分。协调场景中构件的风格是BIM室内设计的根本原则。然而,风格是一个高级语义概念,很难通过文本信息来描述清楚,所以无法准确为设计者检索到风格相似的BIM构件。显而易见,BIM构件不能快速准确地获取将直接导致BIM室内设计效率降低。推荐算法能够对海量BIM构件进行过滤排序,自动为室内设计者推荐出符合风格一致性的构件资源。本文提出将建筑信息模型、深度学习、知识图谱和协同过滤推荐算法相结合,从构件的视角图像出发,研究一种基于深度风格特征相似度的BIM构件推荐算法。在此基础上,分析实际场景中使用该推荐算法存在的问题,提出了一种知识驱动的BIM构件搭配推荐算法。主要研究成果如下:（1）基于深度学习的BIM构件风格特征表示方法。现有方法多数采用几何形状来描述三维模型的风格信息,然而这种方式将会损失模型大量的纹理和颜色信息,容易造成推荐不准确的问题。BIM构件图像能够从几何形状、颜色、纹理等多方面描述风格特征。该方法首先设计BIM特征图选取模型,固定不同角度的观测点获取多张BIM构件图像,设置评估函数选取出既能被正确分类又含有足够信息的视角图像作为BIM特征图;接着搭建风格特征提取模型,将BIM特征图输入卷积神经网络,提取不同层卷积特征进行格拉姆矩阵计算,得到BIM构件的风格向量。（2）一种基于深度学习的风格一致性BIM构件推荐算法。首先,将BIM构件库中所有构件均经过BIM特征图选取模型和风格特征提取模型,得到相应的风格向量,以构件名称为索引存储于风格向量库;其次,计算待推荐BIM构件风格向量和风格向量库中所有向量的相似度;最后,根据风格相似度排序推荐出Top-k个BIM构件。本文任选15个BIM家具构件,招募了20名志愿者为每个构件选出测试集,验证不同卷积层得到的风格向量对推荐结果的影响。实验结果表明,使用BIM构件的组合风格向量能够提升推荐算法性能。（3）BIM构件搭配知识图谱构建。在实际应用中,除了对单一BIM构件推荐之外,还需要考虑根据现有BIM场景风格为用户推荐构件。场景风格由其所包含的构件风格组成。然而,每个构件风格在场景风格中所占的比重,应取决于它和推荐结果之间的搭配程度。本文首先通过目标检测算法从真实场景图中生成家具搭配数据,接着利用关联挖掘算法得到不同类型家具之间的搭配规则,将规则置信度作为风格影响权重;然后抽取BIM构件分类信息和家具搭配规则的实体和关系,利用Neo4j数据库存储BIM构件搭配知识图谱。（4）一种知识驱动的BIM构件搭配推荐算法。首先,结合BIM构件风格向量和搭配知识图谱中存储风格影响权重,得到BIM场景风格;接着,计算BIM场景风格与风格向量库中任一向量的相似度;最后,根据风格相似度排序得到推荐结果。本文组成10个BIM场景,为每个场景设置测试集,验证使用BIM场景内单一构件风格推荐和整体场景风格推荐对结果的影响。实验结果表明,知识驱动得到的BIM场景风格能够更准确地推荐出最多的符合需求的BIM构件。同时,知识图谱也为推荐结果带来了可解释性。