随着计算机人工智能领域的迅猛发展,三维模型检索技术越来越成为图形图像处理方面的研究热点,在各个领域都占据了重要地位。如何充分利用三维模型库,更高效、更便捷地获得所需三维模型,切实有效地缩短各个领域相关项目的开发周期,研究高效的三维模型检索算法是关键。三维模型检索算法从信息形式上可分为基于文本的检索和基于内容的检索。本文从基于内容的检索出发,在详细总结了三维模型检索技术的前提下,基于深度学习的方法,提出基于改进Point Net的多模态三维模型检索算法。并结合理论分析和大量实验对比分析,验证了所提方法可以有效地完成三维模型的特征提取和分类检索工作,且与其他主流算法相比更具有优越性。具体的研究工作如下:首先,论文提出基于改进Point Net的三维模型检索算法。通过在原始Point Net网络的基础上加入三元组中心损失,在该损失和Softmax损失的共同指导下训练,使学习到类内紧凑、类间分散的特征,从而更有利于检索。在相似性度量方面,利用欧氏距离度量查询模型与模型库中三维模型之间的距离,完成相似性的比较并排序。在两种损失联合监督下训练网络,既考虑了模型与它相对应类的相关性,又考虑了模型与之不同类的相关性,解决了Softmax负对数似然损失忽略相同类别间的紧凑性问题,弥补了中心损失只考虑模型与之相应类中心的缺点,而且消除了三元组损失需组建困难三元组的问题。其次,论文提出一种多模态的三维模型检索算法。在改进的Point Net算法的基础上对点云模态的特征进行提取,然后进一步实现基于视图模态的特征提取网络,用以提取三维模型的多视图特征,其中视图个数本文使用十二个。接着将点云模态与视图模态在相似度级上进行融合,该方法具有不受特征表示限制、灵活性高和处理代价低等优点。采用的融合方法为基于信息熵的方法,根据信息熵的大小自适应调整融合权重,比手动确认融合参数值的方法效率更高、灵活性更强。最后,在两个经典的三维模型数据集上进行充分实验。通过使用相应评价指标对提出的算法性能进行科学评估,从不同角度验证所提算法的有效性,从而全面精确地评定算法的优劣。实验表明,基于改进Point Net的三维模型检索算法在普林斯顿数据集Model Net上的准确率更高,且明显优于其他对比算法,基于多模态的三维模型检索算法比前一算法效果稍好。