三维模型的多视图信息能够全面地表征物体的视觉特性和潜在的空间结构信息。随着三维模型数据的飞速增长,如何对三维模型实现智能的分类与检索,是当前学术界和工业界的研究热点。目前,传统的三维模型分类方法需要大量的有标记的数据。然而,只有部分用于学术研究的三维模型数据集有详细的人工标注。因此,如何在有人工标记的训练对象很少的情况下实现对三维模型的有效分类,是一个亟待解决的问题。此外,不同的构建方式会使三维模型数据集呈现不同的数据格式与模态,因此,如何实现跨域三维模型检索,也是三维模型检索技术面临的一个挑战。针对目前有人工标记的三维模型数据集较少的问题,本文将基于视图的三维模型分类方法与小样本学习相结合,提出了基于小样本的多视图组合经验贝叶斯三维模型分类方法。该方法将训练集的样本输入到多视图卷积神经网络中,完成多视图预训练学习。然后,将在预训练中获得的深度神经网络权重通过“缩放和移动”的方式迁移到小样本任务中,并对组合经验贝叶斯学习中的超先验学习器进行元学习。最后,利用超先验学习器生成对应于不同特定训练任务的超参数,并使用这些超参数来更新和集成基础学习器,实现对于小样本任务的分类。为了验证该方法,本文划分了Meta-Model Net和Meta-Shape Net数据集,并在此基准上进行了大量实验,在与相关领域流行的算法比较后,验证了本方法的优越性。针对跨域的三维模型检索问题,本文将基于视图的三维模型检索方法与域自适应方法相结合,提出了基于多视图分批谱惩罚的跨域三维模型检索方法。在利用奇异值来量化特征的可转移性与可识别性的过程中,传统的域自适应网络往往认为只有具有最大奇异值的特征向量可以增强特征的可转移性,但是这种方式一定程度上抑制了特征的可识别性。该方法首先利用卷积神经网络提取三维模型的多视图特征。然后将池化后的特征传入条件对抗域适应网络,进而完成分类器与识别器的训练,最后通过分批谱惩罚的方式对多视图特征的最大奇异值进行惩罚。该方法在保证特征可转移性的同时,提高了特征的可识别性,实现了不同数据集之间的知识迁移。为了验证该方法,本文在PSB和NTU两个三维模型数据集上互相检索,并与相关领域流行的算法进行比较,验证了本文提出方法的优越性。