随着建筑学学科的不断发展,本专业的许多问题亟待建筑学与其他学科的交叉研究才能更好的解决,同时伴随着计算机科学的技术提升以及算力的快速增长,出现了诸如“深度学习”、“人工神经网络”这样划时代的计算机前沿技术。回顾建筑设计的数字化进程,从模数制、电脑辅助建筑设计、再到参数化设计,已经面临着瓶颈,亟待新的突破。同时,城市中轨道交通承担着缓解交通压力和客流运输的重任,地铁站的设计变得越来越重要,而且地铁站具备很强的“模块性”、“秩序性”,有着潜在的较为明显的设计逻辑,这种特性决定了地铁站的空间布局的规律是能被深度学习所学习的,因此将地铁站作为研究对象,技术层面立足于目前的电脑辅助建筑设计和参数化设计,综合人工智能技术中的深度学习技术,提出将人工智能设计与地铁站的建筑设计进行交叉融合,以实现真正意义上的“计算机智能建筑设计”。本研究采用深度学习中非常前沿的Pointnet++模型进行地铁站点云数据的训练,主要工作集中于Pointnet++模型的代码复现和参数训练以及大量地铁站空间点云数据集的收集整理。创新性的以跨学科研究方法,将三维点云数据的深度学习与建筑设计进行结合,突破了原有的以二维图像等为研究对象的现状,避免了将“深度学习”应用于2D图像等研究对象而无法准确描述3D空间的局限,为建筑师提供了更加直观且多样化的设计辅助,并且以端对端进行实验,输入数据和输出预测数据均为点云格式,极大地增加了数据的保真度和通用性。经过训练和预测以及实际项目的验证,得出如下结论:（1）验证了以点云为数据形式进行建筑的空间深度学习的可行性:整个训练和预测过程都有着较高的可形成,训练和预测效果良好,并且点云格式在Pointnet++模型下完全兼容,表现优良;（2）验证了Pointnet++对于地铁站点云信息的语义分割和预测的有效性:经过试验验证,结果表明:总体在条件为20*20*20大小的空间内,block＿size为10.0的情况下,对9:1的训练预测数据均有60%+MIOU（Mean Io U平均交并比）和75%+Acc（Accuracy）,这样的平均交并比MIOU和准确度Acc在有限的618个地铁站模型数据的神经网络运算中已经属于较为优异的数值;（3）用天津西站1、6号线换乘站验证了研究中语义分割和预测的有效性:以天津西站1、6号线换乘站为工程实例,将其转化为带有颜色标签的点云模型,预测后与Ground Truth进行比对,使理论层面的研究更加贴近实际需求,在验证中使理论得到巩固、排查和完善。并对Ground Truth与Predict进行可视化对比,Predict表现出较好的预测效果,无论是从功能分区的范围还是功能分区的尺度都有着较为合适的控制。此深度学习模型还可以进一步拓展为一种“地铁空间设计对比评价系统”,即用它进行方案的快速生成和比选,并可以对原有方案进行比选和评价。虽然无法与专家评价等模式相提并论,但是它却具备了一种鲜有的特性——客观。它集汇了大量已有设计的空间模式,这些已有的空间模式还是基于大量专业人员的智慧,但是此深度学习模型可以极其客观和理性的去进行预测,也就使得我们利用它的结果进行方案比选时不仅具备前人的智慧,还具备了客观与全面,减少了个人主观评价带来的片面和矛盾。并且对于地铁站设计也有实际的应用展望,基于许多已有优秀案例训练后进行的预测,集结了许多看得见和看不见的前人的智慧,可以大幅的降低择优成本;而且相对于人工更加快速,可以在短时间内进行多轮生成和比对,效率上有较高保证;其次,这种利用人工智能进行的初步方案推敲,可以在使用中逐步优化,越来越多的数据被输入学习,深度学习模型就会越来越智能,无论是在智能的综合性和效率方面,本研究在地铁站设计中的应用都有较高的价值和意义。