随着数字设计、虚拟现实、计算机游戏等技术的快速发展,3D模型的数量和规模在各类业务中呈现快速增长。3D形状识别和分类是进行形状理解、智能设计、模型检索以及提高人机协同效率的基础。因此如何使计算机快速准确完成对大量3D形状的识别,成为计算机图形学领域的研究热点。深度学习近年来在众多领域取得重大进展,人们也将其应用到3D形状分类任务中。但3D形状数据并不是一种欧氏数据,这与深度学习的基本计算方法相冲突。在解决这些冲突的过程中,基于多视图的3D形状分类方法以其较高的精度、良好的网络结构继承性赢得了大量关注。本文对现有的多视图方法进行了梳理总结,将多视图数据的生成方法归纳为多视点渲染法、投影展开法和几何特征着色法,分析了它们的主要方法和特点。这些方法在完成从3D形状到2D图像采样的过程中对形状特征的表达并不完备,从而导致图像无法表征形状可能的内部结构、严格依赖视点对模型的环绕或包围,并且容易受渲染参数的影响。针对以上问题,本文提出了一种基于切割采样的3D形状分类方法。该方法在一个视图方向上计算一组固定间隔的平行平面与模型的相交线,并将这些相交线投影到像平面上,不同视图方向的切割采样产生不同的图像。该方法利用了切割采样特征的几何稳定性、稀疏性以及透视性,使得采样得到的图像能够更好表征3D形状可能存在的内部结构,同时放松了对视点环绕或包围的限制,并且不受渲染环境和表面贴图的影响。同时,本文总结了使用深度学习进行多视图特征聚合方法,分析了几种典型的多视图特征聚合与分类方法。针对这些方法存在的局限,并结合卷积神经网络（CNN）的最新发展,将视觉注意力机制引入网络结构中。本文重点分析了两种在视觉任务中获得较好效果的注意力机制——SENet中的注意力机制和DANet中的注意力机制,结合切割采样图像特征提取的特点,改进后将它们应用到网络结构设计中,以提升3D形状分类的精度。使用本文的方法在ModelNet10/40数据集和ShapeNetCore数据集上开展3D形状识别的结果表明,该方法在这些数据集上使用少量的视点就可以获得较高的精度,较现有的分类方法具有比较优势。在本文设计的二分类任务中,本文方法对于一些表面简单、内部结构复杂的特殊模型分类性能优异且结果更加稳定。