三维形变体模型的分类是三维模型分类中的一个重要研究课题,本课题的研究依托于国家自然科学基金“3D形变体的保测变换与稀疏流形嵌入识别方法研究”。本文重点研究姿态变化与形体变化下的不同类别的三维形变体模型的分类算法,主要工作有:●三维形变体模型扩充与姿态归一化。从SHREC’15官方数据库和SHREC’16官方数据库中收集三维形变体模型,然后对数据进行姿态变化及形体变化,最后进行了姿态归一化预处理,处理后的数据库即为后续研究的主体对象。●三维形变体模型特征提取与分类。我们分别研究了传统方法和深度学习的方法下的三维形变体模型的特征提取与分类。传统方法:提取三维形变体模型的传统特征,采用多分类SVM方法进行分类。采用的传统特征主要有两种:高斯曲率特征及旋转投影统计量(RoPs,Rotational Projection Statistics)特征。并且提取RoPs特征时,本文对关键点的检测进行了改进,提出将Harris 3D关键点检测与高斯曲率关键点检测相结合的方法,最后采用多分类SVM算法进行分类。深度学习方法:采用多视角卷积神经网络(MVCNN)进行三维形变体的特征提取和分类。●基于Deep Forest的三维形变体模型分类与决策融合。通过这种全新的尝试,三维形变体模型的分类准确率得到进一步的提升。本文采用了 C++、Matlab、PCL库、TensorFlow框架及Deep Forest框架等实现了上述研究中的算法,并进行了大量实验分析以验证算法的有效性。训练样本与测试样本共计6240个,包含48个类别的三维形变体模型。决策融合后的三维形变体模型的分类准确率提升为99.74%,取得了良好的分类效果。