随着三维传感技术的极速发展,已经有大量的三维模型出现。如何帮助用户高效使用已有的三维模型,已成为如今亟待解决的问题,三维模型检索方法随之诞生。一方面,现有的基于多视图的三维模型重建算法受LSTM网络时序性的影响,重建结果与输入二维图像的顺序息息相关。另一方面,目前的三维模型检索算法大多基于传统卷积神经网络进行研究的,但是传统的卷积神经网络具有平移不变性,且由于神经元为标量的缘故需要大量的数据进行训练。本文借鉴在机器视觉领域,深度学习方法已有的突破,研究基于深度学习的三维模型重建及检索方法。本文的研究内容如下:1.本文构建了一种较为新颖的三维模型检索方法,即根据在生活生产中的实际应用,首先通过二维图像重建三维模型,随后将重建的三维模型经过训练好的基于胶囊网络的三维模型识别及检索算法,最后得到的结果即为三维模型的检索结果。2.在三维重建方面,本文设计了基于深度学习的三维重建算法（3D Reconstruction from Object Network,3DFONet）。该算法不需要输入任何对象类别标签、图像标注信息等附加信息即可训练和测试的三维重建方法,在ShapeNetCore数据集上取得了不错的重建效果,并且随着视图数量的增加,重建结果的准确性会进一步提高。3.在三维模型检索方面,本文构造了一种基于胶囊网络的三维模型识别与检索网络（Improve Caps Net,ICapsNet）。在三维检索中,传统卷积神经网络存在训练三维模型数据不足的问题,以及原始胶囊网络提取特征能力较差的问题,本文参考迁移网络VGG的设计思路,设计了四层3×3×3大小的卷积层作为特征提取层的基准,引入了尺寸小、步长小的池化层来增强其特征提取能力,并对两层胶囊网络之间的动态路由算法提出了改进方案,设计了 Dynamic Routing Based on Norm Algorithm（DRNL算法）,使得模型能够提取到更具代表性的特征,并减少了冗余特征,提升了模型的鲁棒性,最后通过ModelNet10数据集的分类结果验证了算法的有效性并评估了算法的旋转敏感性。4.本文根据MVC模式设计了一个用于三维重建及检索的可视化软件,通过Web开发工具实现了软件开发,并使用ModelNet40数据集进行了系统测试。本系统可以通过第三章的三维物体重建算法对输入的二维图像进行三维概率体素重建,并在显示窗口显示出来;同时也可通过第四章的基于胶囊网络的三维模型检索算法对第三章生成的三维概率体素模型进行检索,并将检索结果在显示窗口显示出来,说明本文提出三维检索方法的优越效果及可扩展性。