随着智能多媒体技术的发展,三维模型被广泛地应用在智能建筑、生物建模、医学诊断等领域。三维模型能更形象地表示物体、贴近人类对现实世界的感受,但其数据处理过程相对复杂。作为三维模型研究领域的热点之一,三维模型识别旨在学习三维模型数据的特征表示、理解三维模型的内容。三维模型可由不同模态数据表示,如点云、多视图等。本文以有效融合点云和多视图两模态特征表示为目标,开展了基于深度学习的三维模型识别研究。本文提出了一种注意力引导的点云-多视图三维模型识别方法,该方法综合考虑点云和多视图数据的优势,在注意力机制的引导下对两种模态特征进行增强和融合。首先,基于两种模态数据提取的初步特征,设计了模态间注意力增强模块,在注意力机制的引导下,挖掘模态间的相关信息,对两种模态的特征分别进行优化和增强。然后,设计了视图上下文注意力融合模块,进一步挖掘视图序列中包含的上下文信息,并对特征进行自适应融合,提高最终三维模型特征的表征能力。在广泛使用的公开数据集上的实验结果表明,所提出的方法获得了良好的三维模型识别性能。本文还实现了一种基于对比学习的无监督点云-多视图三维模型识别方法,该方法构建了一种基于对比学习的无监督训练机制,用于对多模态特征增强与融合模块进行训练,以获得具有辨析力的三维模型特征表示。首先,对点云和多视图模态的特征提取单元进行无监督预训练,分别获得两种模态数据的特征表示。然后,基于对比学习对多模态特征增强与融合模块进行无监督训练,以挖掘模态特征间的关联信息,对两模态特征进行增强。同时,采用提出的模态池化操作对增强的点云和多视图特征进行融合,得到更具辨析力的三维模型特征表示。最后,通过在公开数据集上的实验,验证了所提出方法的有效性。