现代工程和现实生活中存在大量的布局问题,室内空间布局就是其中一个非常重要的分支。室内空间布局专注于人们赖以生产生活的室内场景。同时,室内场景的模型也逐渐被应用到越来越多的领域,如CG动画电影、计算机游戏、虚拟现实技术等。对室内场景建模的迫切需求也催生出了关于室内空间布局的相关研究。由于室内空间布局具有广泛的应用前景和巨大的商业价值,其已经成为计算机图形学和计算机视觉领域中一个重要的研究课题。随着计算机辅助设计广泛应用于智能设计领域,室内空间布局也成为其中一个重要的研究领域。在室内空间布局的问题中,通常要求在给定的区域或空间中创建布局或者优化布局。本文围绕室内空间布局的自动设计与优化,基于给定的布局边界或布局空间,提出了三种有效的自动设计与优化方法。我们首先提出了一种用于布局平面图自动生成的基于设计约束的优化方法。给定建筑物的边界以及用户的要求作为设计约束,我们的方法可以自动生成室内空间布局。该算法的主要思想是:用多个矩形组合的多边形表示室内空间布局中的房间单元,并将布局设计中的约束和规则转化针为对相关矩形的约束。我们选取了一些重要的设计约束,如房间的大小、房间的位置、房间的邻接关系等,并且将这些约束表示为混合整数二次规划问题的约束形式以符合我们的模型。为了提高方法的适用范围,我们又基于上述方法提出了一个层次结构的算法流程。大量的实验结果表明,我们的算法可用于住宅建筑的室内空间布局设计,并且可以拓展应用到大规模场景的空间布局,如写字楼、购物中心、超市等。通过比较发现,我们的方法在效率方面远远高于现有方法。上述优化方法对设计约束的要求比较严格,一种直接的想法是从现有的设计方案中学习设计准则并将其用于室内空间布局的自动设计。因此,我们提出了一种用于快速高效地进行布局平面图设计的深度学习方法。我们的算法仅以布局的边界作为约束进行布局平面图的自动生成。该算法的主要思想是:通过模仿设计师的设计流程,提出一种两阶段的算法,即先定位房间然后定位墙体,从而生成能够适应给定边界的布局平面图。基于此,我们提出了一个用于室内空间布局设计的两阶段深度学习网络。为了有效地训练该网络,我们还构建了一个含有丰富数据标注的室内布局数据集RPLAN,其包含来自真实住宅建筑的8万多个室内布局平面图。大量的生成结果表明了我们方法的可行性和有效性。通过比较采用不同算法生成的室内布局平面图的合理性,可以证明我们的方法不仅远远优于其他方法,而且在多数情况下,利用我们的方法生成的平面图可以和专业设计师设计的平面图相媲美。上述方法都是针对室内空间布局的自动设计问题而提出来的,而在室内空间布局的优化问题中,我们提出了一种单样本驱动的室内空间布局优化技术。给定室内场景以及规模较小的室内空间,我们提出了一种场景重定向方法,可以将室内场景的规模减小到室内空间能够容纳的规模。该算法的主要思想是:重新布局室内场景中的对象以获得新的室内场景,通过相关度量的保持使得新场景和原始场景在空间感知上具有一致性。我们的场景重定向方法通过保持室内场景的布局和结构,在缩小场景规模的同时,又能够保持场景中的空间感知。在优化过程中,我们除了要保持室内场景的布局和结构,还需要尽可能减小场景中对象的扭曲和失真。实验结果表明我们的场景重定向方法是有效的,通过与均匀缩放的结果比较,进一步证明了我们的重定向算法的有效性。