树的三维模型在虚拟现实、景观设计及农林业应用方面有着重要的价值。但是由于树木结构复杂,其枝干以及分杈的真实感重建仍是一个挑战性问题。近年来基于草图的建模方法由于其简单直观,受到研究者的广泛关注,但基于草图的建模存在从二维到三维转换的二义性问题。而基于数据驱动的方法可通过对已有树枝模型数据进行网络训练建立二维到三维空间的映射关系,因此如何基于数据驱动的方法更好的解决草图二义性问题,是一个值得研究的课题。在生成树木的三维骨架后,多数研究侧重对树木全局特征的建模,即简单地利用参数曲面(广义圆柱体)进行曲面的绘制而忽视树枝分杈结构的连续性,虽然有部分研究使用隐式曲面生成了连续的树杈,但不易控制和生成光滑自然的曲面。针对上述问题,本文采用基于草图和数据驱动相结合的方法,首先利用单棵树的三维骨架作为样例,根据用户输入的二维草图生成具有样例枝条分布特点的树木三维骨架,然后将生成骨架输入到基于细分曲面初始网格优化的模型中,从而生成具有流形分杈结构的完整树模型。论文主要研究内容和结论如下:(1)为解决草图二义性的问题,提出一种新的草图和数据驱动相结合的树枝建模方法。与需要大量数据的传统数据驱动方法不同,本文仅输入一个完整树的三维骨架作为样例,分析其枝条分布特点,利用树杈骨架节点间的关系构建马尔科夫随机场的因子图,并以此为依据输入到BP神经网络中,通过训练估出样例的特征参数。用户输入的二维草图通过此系统预测后生成的三维骨架在一定程度上具有原样例特点。(2)为同时解决参数曲面方法建模树杈不连续及隐式曲面方法难以控制的问题,提出了一种新的树木曲面生成方法。该方法基于细分曲面控制网格全局优化,利用从草图中和数据驱动中预测得到的三维树的骨架信息,生成具有连续树枝分杈结构的完整树木。首先以各个骨架结点为原点建立局部坐标系,构建类长方体状的四边形网格作为基本树枝或树杈单元,采用自下而上的优化算法,调整相邻树杈单元间待连接顶点位置,并在一次细分后采用复制-粘贴边际树杈策略,形成具有流形结构的初始控制网格,最后应用Catmull-Clark细分算法,生成完整连续的树木四边形网格。实验结果表明,本文实现的基于单样例数据驱动的BP网络具有很好的泛化能力,通过输入二维树枝草图,能预测出具有样例特征的三维树骨架模型,以苹果树、樱桃树和枫树为样例进行验证实验时,其预测均方误差均在合理范围之内;基于细分曲面初始网格全局优化算法对预测得到的树木三维骨架进行优化,生成了具有连续分枝结构的完整树木四边形网格模型,与广义圆柱体建模方法相比,提出的新树木曲面生成方法能够生成全局形态相近、真实感更强的连续分杈;最后,用户调研结果表明,利用本文的树木建模系统,用户可在3至6分钟之内绘制出树木二维草图并生成具有选定样例特征的和连续树杈曲面特征的树模型。