家居设计是室内场景理解的一个重要方向,一个合理有效的智能家居模型可以为设计工作提供很多帮助,具有良好的应用前景。当前家居布局方法都是基于传统机器学习算法,需要多个模型共同完成任务,因此在模型简化上存在一定的提升空间。同时,在艺术设计领域,空间序列级的家居设计往往是掌握整体空间、把控设计手法的一种重要途径。因此,本文在序列思想的启发下,提出了一种新的基于深度神经网络的家居设计方法,延伸了深度神经网络的应用领域。首先,为验证序列思想的有效性,本文提出了顺序结构的家居设计方法。在数据预处理阶段,我们标注本文模型所需的数据集,并利用基于循环神经网络的EncoderDecoder框架以及近年提出的序列模型来实现顺序结构预测任务。给定一个家居序列后,本文模型将会提取字符间的时序特征并预测接下来的家居序列,将给定的条件序列与目标预测连接起来就构成一个完整的家居设计方案。其次,我们提出了双向分层家居设计模型。为使模型更贴近于实际应用,我们引入参数约束,即限制家居物体的相对尺寸,利用在Encoder-Decoder上的改进模型构建双向分层的家居设计模型并实现家居序列设计工作。完整的双向分层家居设计是将预测任务根据四面墙体分解为四个模块,其中包括了数据预处理、特征提取、分层预测与参数筛选等几个部分,其中分层预测与参数筛选是同时进行的两个模块,即对于每一层的预测任务我们都要事先给定该层的参数约束,同时在预测阶段对参数进行筛选。最后,我们利用Unity3D引擎绘制模型所设计出的家居场景,通过与近年来流行的机器学习方法进行效果对比,显示了本文提出的模型具有实用性的参考价值,同时,我们在模型的风格学习方面做了尝试,表明了基于深度学习的序列思想在家居设计领域具有一定的理论意义与实用价值。同时,我们在最后对本文的工作做了总结与展望,分析模型具有的一些问题,同时也是今后这项工作要参考和改进的方向。