随着机器学习特别是深度学习方法的逐渐流行,数据驱动的认知和理解是目前的趋势。为了让计算机以数据驱动的方式来理解三维信息,人们需要对三维世界中的物体构建三维模型。植物是人们在自然界中最常接触到的物体,对植物的三维建模也一直是计算机图形学中一项具有挑战的工作。三维扫描仪或深度设备能扫描物体的三维外形信息,但由于植物之间存在密切的自遮挡,扫描的数据往往丢失了植物被遮挡部分的信息。对于一株室内植物,人们在植物建模时主要关心其叶片信息的完整性,但叶片的自遮挡现象尤为严重。为了获得完整的植物信息,人们可以逐步剪掉外部叶片,使植物内部可见。这种破坏了植物完整结构的植物建模方式称为“侵入式”建模方法。如何选择适合的叶片并进行剪除是自动式侵入式植物建模方法中的重要部分。针对这一问题,本文提出通过实例分割网络识别并选取叶片。利用深度学习中的实例检测网络（例如Mask R-CNN等）,将某一视角下观察到的植物信息作为一张图片传入网络,检测并选择应当剪掉的叶片。为了减少真实标注植物叶片工作量,我们构建了虚拟植物模型以渲染大量带叶片轮廓信息的图片。首先使用了参数化模型来表示叶片,通过调整参数来模拟不同形状的叶片;其次总结不同植物的外形特征,并使用对应的叶片模型根据外形特征来生成虚拟植物模型。本文还将建模过程的操作进行分类,提出了客户端-服务器结构的自动化侵入式植物建模系统。针对虚拟植物建模图片区域与具体叶片难以对应问题,使用叶片索引图片将图片区域与模型中叶片索引进行对应。我们依次将检测到的叶片从虚拟植物中剔除,并根据虚拟扫描得到的数据重建叶片模型,达到设定的终止条件后将所有重建的叶片模型添加到植物剩余部分中。为了验证系统的有效性,我们分别对绿萝、鸭脚木等典型的植物进行了模拟测试。结果显示重建的植物模型能完整地恢复原始植物的三维信息。本系统也具有良好的可扩展性,可应用到真实植物的建模中。