随着3D模型应用领域的不断增广,3D模型检索算法也逐渐成为了一个热门的研究话题。目前,已有的基于多视角的3D模型检索算法是将物体每个角度的图像作为独立的描述信息进行处理,而忽略了物体各角度图像之间的关联性,并且这些算法在检索精度与速度上还有很大的提升空间。因此,基于以上问题,本文的研究工作主要包含了以下几个部分:1)提出了基于类统计模型与三重限制函数的3D模型检索算法;2)提出了基于视角团对匹配的卷积神经网络检索算法;3)提出了基于对匹配多视角卷积神经网络的3D物体识别算法。具体工作为:1)基于类统计模型与三重限制函数的3D模型检索算法(CSTC,Class-Statistic Matching with Triple-Constraint)。在这个算法中,首先提出了类统计模型,该模型分析了各个类中所有物体每维特征的分布情况。然后通过分析每维特征数据的敛散程度计算出了特征维度的影响因子。之后,使用类统计模型计算出待检测物体的类别信息。此外,为了提升检索速度,采用基于物体距离的度量策略来代替基于视角距离的度量策略;为了提高检索精度,构建出对匹配模型来加强对物体之间相似度的限制。最后,将类统计模型概率结果、物体距离信息以及对匹配模型限制三重信息进行加权融合就得到基于类统计模型与三重限制函数的3D模型检索算法。通过在数据集ETH,NTU-60,MVRED,PSB的实验结果可知,该算法在检索精度与速度上都有了明显的提升。2)提出基于视角团对匹配的卷积神经网络检索算法(GPCNN,Group-Pair Convolutional Neural Networks)。在这个算法中提出了一种端到端的双链网络结构,并且每条支链可以接收多个视角图像。在网络结构第一部分的尾端引入了视角池化层来挖掘多个视角之间的关联性,从而增强了两条支链上物体的对比度。由于现有的3D多视角数据集中样本数目较少,使得网络的训练不够充分,所以为了扩增训练样本的数目,针对GPCNN构建了视角团对样本,从而直接增加了网络的训练样本数目。通过在三个数据集ETH,NTU-60,MVRED上的实验结果可知,运用多视角的信息可以增强非同类物体之间的对比度。同时,端到端的结构也能提高网络整体的训练效果。3)在实际应用领域中,3D物体识别的应用非常广泛,因此对GPCNN网络进行扩展得到了对匹配多视角卷积神经网络(PMVCNN,Pairwise Multi-view Convolutional Neural Networks)。该网络结构仍然延续了GPCNN双链端到端的特点。其不同之处在于经过视角池化层后进行了特征融合,并送入到了新增的第三部分网络结构中,最后使用分类损失函数作为指导。这样做的好处在于不仅能根据分类结果得到两个物体之间的相似度,同时还能根据所比较的物体类别推导出待检测物体的类别。在本算法中还加入了引导集,该集合是从数据集中划分出来的一部分带有标签的物体集合,该集合不应用于训练与测试过程,只是用来作为物体识别的指导集合。通过在数据集ETH,NTU-60的实验证明PMVCNN在物体识别方面有较好的性能,具有广泛的应用前景。