近年来，随着虚拟现实技术以及硬件设备的快速发展，越来越多的用户能够接触到虚拟现实技术所带来的高沉浸感的交互式体验，而这种交互式体验又离不开大量的虚拟角色动画。传统的角色动画生成方法需要大量人工参与制作，但在实时互动的过程中，由于用户行为的多样性以及不可预测性，人为合成动画是不可行的，因而需要交互式生成适应性的动画。另一方面，虚拟角色行为的真实性和类人性，也能够提高用户的交互体验感。　　本文以智能交互型虚拟角色运动合成方法为研究对象，包括虚拟角色与环境交互的运动合成方法，以及与真人玩家互动的运动合成方法，本文主要的创新点如下:　　1、提出了一种基于数据重用的运动重定向方法。　　运动重定向是将运动从一个虚拟角色映射给另一个虚拟角色。该方法基于不同的角色骨架层级结构，对运动捕捉数据调整处理，映射给不同的角色，从而达到多个虚拟角色间的运动共享。在角色与虚拟环境交互的过程中，数据库中的运动捕捉数据往往无法适应多样的环境，尤其是当虚拟角色需要与环境中的物体发生紧密交互的时候，因而我们对虚拟角色进行运动校准，从滑步约束、碰撞约束等多个方面对角色姿态进行约束。使得虚拟角色运动能够适应虚拟环境，并产生真实有效的运动动画，为真人玩家通过运动捕捉设备控制不同骨架结构的虚拟角色提供可能。　　2、提出了一种基于低维运动控制器的运动合成方法　　在运动合成的过程中，由于模型结构是高维的链状结构，往往需要高维的控制器来控制角色动画。本方法借鉴并扩展了参数化运动图模型的运动合成方法，使用有限的运动片段合成新的运动。在不同的运动片段做帧间相似度评估，以选取过渡点。根据对运动相似度的判别，分别使用运动融合和运动插值的方法生成过渡动画。对于运动插值方法，本文还提出了一种新的层级化可变时长动画插值方法。真人玩家只需要用低维的控制器，即可控制角色的运动变化。该运动合成方法能够实时响应用户的操作并合成角色动画。　　3、提出了一种基于递归神经网络的互动动画在线生成方法　　虚拟角色的互动动画自动生成，指的是两个虚拟角色在肢体互动中，其中一方能够根据另一方的动作，自动地生成相应的动作，并与之互动。本文将递归神经网络引入互动动画生成领域，提出了一种生成式的递归网络模型。该模型是一种带编解码的递归神经网络，使互动动画能够端到端的自动生成。通过该网络，虚拟角色能够在交互的过程中在线的生成互动动画。虚拟角色通过编码层提取数据特征，通过解码层合成最终运动，使得生成动画无需后处理的约束校正。此外，该方法能够从虚拟角色之间的互动，扩展到虚拟角色与真人玩家的互动。　　4、提出了一种基于深度强化学习的适应地形的运动规划方法　　运动规划是指虚拟角色在虚拟环境运动位移中，选取运动路线以及合成相应的动作的过程。我们将深度强化学习的方法引入了基于地形因素的运动规划问题上。深度强化学习方法能够帮助虚拟角色学习策略，从而基于地形自主地进行运动规划。本文改进了强化学习方法在运动合成上的应用，提出了多决策-评估模型，比传统的决策评估模型在位移距离上有明显的性能提升。另外该多决策-评估模型还解决了传统的Q-学习方法只能提供离散的策略选择，提高了生成动画的连续性和多样性，并对多种地形有更好的运动适应性。