BIM技术的蓬勃发展,推动着越来越多面向不同领域的BIM专业软件不断问世。不同BIM软件间数据的流畅交互,方能打破信息壁垒,节约沟通成本,彻底挖掘数据中的信息,进而充分发挥BIM技术的优势。为此,诞生了IFC标准,它提供了丰富的语义表示方式,可用于交换语义实体和关系数据。获取BIM模型中元素的各类属性和关系等详细信息,有利于发挥专业软件的设计功能,这对IFC信息的广度和精度提出相应的要求。比如,在能耗分析中,依据BIM元素的子类,确定构件的工作方式,通过精确模拟,实现节能设计。在提取建筑元素完成几何形状并划分子类后,软件能完成结构分析外的多种模拟分析,实现基于代码的建筑合规范性审查。然而,有些IFC数据元素存在分类错误甚至不包含BIM元素子类信息,需要由人工进行划分,而这一过程同样不能确保百分百正确,可能出现遗漏。因此,本文采用神经网络分类方法,实现了BIM元素数据自动获取和智能分类,主要研究内容如下:（1）提出了一种由BIM模型自动生成点云、多视角图像的方法。结合Dynamo软件,将BIM元素的三维模型以obj格式文件导出。以obj文件以基石,综合应用PCL、Python、Matlab等多种工具,自动生成了点云和多视角图像数据。相较于在Blender软件内人工建模生成点云和多视角图像的传统方法,本问所提方法充分利用了既有BIM模型,避免了重复建模的枯燥过程,契合一模到底的BIM应用理念,提高了BIM应用效率。（2）建立了一种基于3D神经网络的BIM元素智能分类方法。基于Matlab自编软件和Dynamo可视化编程工具,综合应用Visual Basic和bat等工具,实现了BIM元素数据智能转化为神经网络可以识别的数据格式。在其基础上先进行预处理,并以7:3的比例将所有数据分为训练集和测试集,输入3D神经网络模型实施训练,进而实现BIM元素智能分类。（3）以建筑结构BIM中常见的门和墙为例,检验了基于3D神经网络的BIM元素智能分类方法的可行性与分类效果。结果表明,Point Net,Point Net++和MVCNN等三种神经网络均可用于区分BIM元素子类。门子类分类上,三种神经网络的分类精度基本相当,Point Net、Point Net++和MVCNN的分类精度分别为93%、94%和92%,F1值分别为93%、94%和92%。三种神经网络模型在旋转门和推拉门上均展现出了精准的分类性能,但是双开门分类效果不佳。墙体子分类上,MVCNN的分类精度最高、Point Net++次之,Point Net对带窗墙和带门墙的分类性能最差,其P-R曲线对应的查准率与查全率最低:带窗墙的AUC为52%,带门墙的AUC为57%。具体工程应用时需根据局部形状特征,进行合理预估,选择不同的模型,可以在保证分类精度的基础上,提高分类的精度与效率。