人工智能的风靡掀起了各个领域运用机器学习方法做研究的风潮,在图像处理领域尤为突出,这是由于二维图像是结构化数据,容易获取到大量数据集,能充分地运用于模型的训练和学习,给研究者提供了很大便利。而随着计算机技术和互联网的快速发展,人们开始关注更复杂的三维数据。三维数据结构复杂(非结构化数据),早期数据获取困难,数据量相对较少,运用机器学习的方法进行研究存在一些困难,发展较晚。但三维数据蕴含更丰富的信息,且随着三维扫描技术和设备的发展,数据量也逐渐增大,应用领域越来越广泛,其检索和分类的相关研究特别受到关注。本文通过深入研究三维形状识别算法,总结现有的研究方法提出一种新的方法对三维模型进行分类和检索:(1)针对三维模型的形状表达方法和分类问题,本文引入多视角全景图的概念作为三维形状的描述符,用一组全景图描述三维空间中物体表面的位置和方向,并用多分支的卷积神经网络做三维形状分类。该方法通过对三维模型做柱面投影得到深度全景图,利用基于多视角的卷积神经网络框架,将三维形状多个视角的全景图的信息聚合为一个更紧凑的三维形状描述符,最终得到三维模型的分类概率。基于多视角深度全景图的三维分类方法有效地解决了三维模型的形状表示问题,且分类效果优势明显。(2)针对三维模型的检索问题,本文结合二维图像的检索方式,使用多视角全景图对多视角卷积神经网络框架进行训练及微调,从预训练和微调后的CNN模型中提取全景图的6种特征向量,用欧式距离评估模型对应全景图之间的距离完成检索,并从中选择最合适的特征向量。实验证明,本文方法的检索性能超过其他对比方法,且微调训练模型后的检索平均正确率比预训练后模型的检索平均正确率有显著提高。