三维物体识别作为三维数据分析的基础,已经成为计算机视觉领域的一个重要研究方向。随着深度学习的发展,卷积神经网络在二维图像处理上取得了较好的效果。多视图方法是当前有效分析与处理三维物体的主流方法之一。该方法利用卷积神经网络分析三维物体不同视角的投影,通过融合多个视图的特征来推断三维物体的全局信息。本文重点研究多视图方法在三维数据分析中的关键技术。本文对多视图方法的视角选择、特征提取和特征融合三个模块进行了深入的调研,提出了改进的模型和算法。在视角选择模块中,本文提出了一种新的视角选择策略。通过切分视角分布区域,递归地产生不同密集程度的视角点。通过建立视角点之间无向图结构,并根据空间关系聚类为多个组,实现层次性的特征融合操作。在特征提取模块中,本文提出了一种视图特征映射模块。利用多层感知机学习映射矩阵,将相邻视图的特征映射到一个相近的特征空间。通过加权损失函数使得相邻特征的映射结果具有一定的相似性,实现对局部区域的描述,进一步获取三维物体的结构信息。在特征融合模块中,本文提出了两种基于卷积的融合操作。第一种面向全连接层后的特征向量,利用卷积学习相邻视图特征间的权重,并融合为组级特征。第二种面向包含空间结构信息的特征响应图,利用最大值池化分别获取多个视图上的最大响应,通过卷积捕捉相邻视图间的相关性。通过以上两种卷积实现了对多视图特征的有效融合,进一步获取三维物体的全局信息。在实验部分,本文在三维物体识别常用的标准数据集上对算法的性能进行了评估,并与前沿的方法进行了对比。通过实验和分析说明了本文算法的有效性。