一直以来,城市道路网的规划设计都是在专业规划人员的参与下完成,需要经过资料准备、实地调研、初步设计、方案修改等一系列过程,这导致了道路设计存在设计周期长和设计成本高等问题,且设计质量严重依赖于设计师的专业能力。随着人工智能的发展,特别在深度学习领域的突破,依靠计算机来辅助城市道路网的规划成为了可能,该技术的应用不仅可以减轻规划人员的工作量,还可以降低设计成本,提升设计效率,具有重要的研究意义和应用价值。近些年来,已有相关研究开展了道路网自动建模研究,但这些研究的本质都是将道路网的建模问题转化为了其它可编程解决的问题。例如L系统用字符的替换来模拟道路网的生成过程;基于图论的方法将道路网的规划转化为图论中寻找最优路径问题。这些方法避开了道路网建模中所需要解决的规划学问题,并没有真正地理解道路网规划的含义。本文创造性地将深度学习技术应用于城市道路网的自动建模,提出一个基于深度神经网络的道路网生成模型,该模型融入了道路规划领域知识以及生成式对抗网络,可以简单快速地实现道路网的生成。该模型的训练基于海量的现实道路网数据,通过学习道路网样本中的数据分布和统计规律,最终实现对道路网规划的理解。训练好的模型可以用于生成特定约束下的、真实合理的道路网。此外,针对模型训练对海量道路网数据的需求,本文还提出了道路网样本的自动采集方案。该方案利用百度地图提供的数据访问接口,实现了全国范围内主要城市道路网数据的采集;同时该方案也可以满足其它场景下海量数据的自动化采集需求。本文还设计了两个实验,分别从道路网的分类和生成两个方面对模型进行了评价。从结果来看,分类的准确率较高,生成道路网的内容清晰、规划合理,达到了训练的预期。