随着三维建模技术不断提升,三维模型数据量急剧增加,手工地处理和分析大量的三维模型数据难度极大。在此背景下,用机器自动化地分析和处理三维模型,具有重要的意义。基于深度学习的人工智能方法,研究三维模型的语义提取技术,让计算机自主地理解三维模型的整体语义和部分语义,分别对应着三维模型的形状识别和语义分割技术。本论文对三维模型的语义提取技术展开研究,包括三维模型的特征提取、形状识别技术和语义分割技术,具体工作如下:针对三维模型的特征提取方法,分析了基于点云的PointNet和P ointNet++、基于体素的VoxNet和O-CNN以及基于网格的MeshNet五种目前具有代表性的三维模型特征提取网络结构。在公开数据集M odelNet40和ShapeNet上分别进行了形状识别和语义分割实验,对比分析了五种网络结构对三维模型的特征提取能力。针对三维模型的形状识别,提出了一种融合骨架特征的形状识别算法（Mesh-Skeleton-Net）。将三维模型的骨架作为数据前提,提出一种骨架特征提取网络,再结合MeshNet的空间特征提取网络、结构特征提取网络和网格卷积模块,提出融合骨架特征的形状识别网络。在ModelNet40数据集上的实验结果表明骨架特征提取网络的有效性,且Mesh-Skeleton-Net取得了较优形状识别的表现性能。针对三维模型的语义分割,提出了一种基于上下文强化的八叉树卷积神经网络语义分割算法（CR-O-CNN）。将基于八叉树的卷积神经网络引入上下文强化网络,再将三维模型中上下文特征的学习过程建模为马尔可夫决策过程,使用异步优势演员评论家算法对该过程进行优化,以学习到深层的上下文特征,逐步提升三维模型的分割表现。在ShapeNet数据集上的实验结果表明,CRO-CNN取得了较优的语义分割表现性能。