随着计算机技术的不断发展和提高,机械产品数字化设计广泛流行,即运用计算机辅助设计、CAD/CAM数字化仿真技术,对机械产品开发的全过程给予相应的技术支持,从而促进产品设计信息的更新以及设计技术的完善。随着逆向工程与产品创新设计的紧密结合,逆向工程技术在数字化产品设计中的应用也越来越广泛。其中,产品模型的数据采集和表示,特别是点云模型的获取和处理,已成为逆向工程中的重要研究内容和机械工程设计领域中的热点课题。本文以三维点云模型为研究对象,围绕机械产品数字化设计中的关键问题,分别从曲线骨架提取、形状描述符构建、相似性分析和模型分类与检索等内容进行深入研究,并开发了基于机械点云模型的检索系统应用。主要研究工作如下:曲线骨架是一种重要的物体形状描述符,在产品数字化设计、计算机辅助设计、计算机图形与可视化等领域有着广泛的应用。本文提出一种基于点云模型截面形心点集的曲线骨架表达形式,并给出相应的计算和提取方法。首先,根据二力平衡公理给出三维点云模型横截面形心点的近似计算方法。接着,给出一种三维点云模型距离场变换的近似算法,并将其与曲率相结合获取混合特征点。利用KNN和主成分分析法估计点云模型法向量,并构造二次能量函数优化法向方向,通过引入相关面和相关点的定义和计算方法,将这些混合特征点沿骨架引导的法向偏移,逼近局部形心。然后,构造出一种基于距离、法向和曲率的张量谱聚类算法,并结合区域增长聚类算法对形心点集进行简化,最终将它们连接成一个初始连通曲线骨架。此外,还通过整理、修剪和拉普拉斯平滑算法来优化初始骨架。将本文的结果与几种最先进的算法（包括ROSA和L1-中值方法等）,从正确性、中心性、组份可分性、不同姿势或变形下的不变性、拓扑一致性、通用性、鲁棒性和光顺性等骨架性质以及计算效率等方面进行比较,以评估本文方法的有效性和优越性。三维模型的局部自相似性是物体形状分析中的一个基本问题,已广泛应用于计算机图形学、可视化等相关领域的局部匹配和模型识别中。本文针对三维点云模型提出了一种基于三维特征张量的自相似性分析方法。首先,利用相关面和反向点对点云模型进行了形状直径函数（SDF）的近似计算。然后,使用谱聚类对模型进行过分割成模型子块,由KNN邻域点的形状直径函数、形状指数和高斯曲率矩阵构造三维特征张量。接着,利用张量范数及其分量范数和L1-中值映射构造了形状描述符,并定义了相似性度量,分析了模型子块之间的自相似性。最后,将本文方法与几种最新方法（包括部分匹配和显著性检测）进行了比较,实验结果表明,该方法提供了一种有效的形状描述方法,能够很好地识别点云模型的相似子块。三维模型相似性分析和检索分类研究是数字化产品逆向工程中的研究热点。传统的分类方法是基于人为设计的特征描述符,其结果和成效完全取决于形状特征的选择和提取。不同于传统的方法,深度学习算法可以让机器自动学习对象特征并分类,在图像处理领域已经比较成熟并且有突出的表现。但是三维点云模型数据处理方法不同于二维图像,三维数据处理上更加复杂。本文提出了一种基于卷积神经网络（Convolutional Neural Network,CNN）距离测定下（CNN-distance）的三维点云模型相似性分析方法。首先,对于（稀疏）点云模型进行坐标变换和稠密化等预处理,接着利用视点轨迹球和三维模型的测地线距离,对模型进行着色处理并得到三维模型的二维投影着色图像数据集。然后,通过训练阶段提取模型特征并利用softmax函数构建基准向量,通过深度学习测试阶段得到概率向量,再计算概率向量与基准向量间的欧式距离,得到最终分类。CNN-distance的训练和测试数据集来源于点云模型上的测地线距离对三维点云模型着色后不同视角下的二维彩色图像,同时基于距离判定来找到具备相似性的三维点云模型。实验表明,本文提出的着色数据集构建算法使得数据处理更简易,加入距离判别使得分类精度更高,且相对其它算法能够得到更好的检索准确率结果。基于以上的研究方法和成果,开发了一个面向机械数字化产品的三维点云机械（零部件）模型的检索系统 ZSTU-MMRS（Zhejiang Sci-Tech University Mechanics Model Retrieval System）,可以选择三种方式进行检索:基于全局特征—曲线骨架的模型检索,基于局部特征—张量描述符的模型检索和基于CNN距离测定下的模型检索。介绍了检索系统的体系结构,阐述了系统主要功能,并给出了相应的案例检索结果,验证本文提出的三维机械（零部件）模型检索的原理和方法的可行性和有效性。最后,本文对曲线骨架提取、形状相似性分析和模型分类与检索等研究内容和成果进行了总结,并对今后的研究工作进行了展望。