当前,随着三维建模、扫描及计算机视觉等领域的不断发展,无人驾驶、三维场景漫游、智慧城市建设等相关技术的研究和应用受到了人们的广泛关注。三维模型识别作为场景理解中最具有挑战性的任务之一,其在计算机视觉和计算机图形学领域一直是被关注的焦点和研究的热点。识别的关键在于如何构造有效的特征表征。特别是对三维模型这类复杂的数据类型,其原始表征是非结构化的、高维的,如何让计算机自动、有效捕捉其本质特征一直是业界关注的热点和难点。深度学习作为一种特征自学习技术,能让机器自动学习客观对象的多层抽象和表示,从而理解复杂对象的内在含义,完成本质特征的提取,为三维模型的检索带来了新的研究方向。为此,针对三维模型检索问题,本文研究并实现了一种基于深度学习的三维模型多模态检索方法。提出了基于深度集成学习和度量学习的三维模型多视图分类算法,通过在视图分类中引入度量学习有效处理视图中难分样本提高三维模型的识别能力,通过在决策层实现多视图的集成确保三维模型特征描述符提取的合理性;提出了基于深度学习的多模态数据表征和相似性评价算法,实现不同模态数据对三维模型的有效检索;提出了基于Deep CoNet的三维模型多模态检索新方法,可根据文本、草图、实例等不同的输入类型实现三维模型的多模态检索,提高三维模型检索的准确性和有效性,并满足不同场景、不同需求用户对三维模型的多样化检索需求。基于以上研究,在Windows下设计并实现了基于Deep CoNet的三维模型多模态检索系统。该系统以现有研究内容为理论依托,以三维模型标准数据集为训练及测试样本,实现了三维模型的多模态检索;设计了数据在线训练模块,防止了因为数据库变更而进行系统变更等一系列冗余操作。最终,通过定性、定量的方式综合评价了算法的准确性和系统的有效性。实验结果表明,本文所提出的算法在刚性三维模型数据集ModelNet10和ModelNet40、非刚性三维模型数据集SHREC10、SHREC11、SHREC15上均取得了极好的效果,分类准确率高且稳定性强。本文所实现的系统极好地支持了基于文本、草图、实例等为输入的多模态三维模型检索需求,灵活、方便、易用。