随着可视化和三维形状建模技术的快速发展,互联网和相关领域数据库中的三维模型数量不断增加,三维模型被广泛地应用于人们的生活中。然而,制作逼真的三维模型非常困难,需要大量的人力和时间,因此实现模型重用的三维模型检索技术具有非常重要的意义。在先前对三维点云模型检索方法的研究中,大部分方法对稀疏、无结构、无序的点云进行数据转换后再输入到网络中进行处理,例如将点云转换成多视图、体素、草图和全景图等。但在数据转换过程中容易丢失原始点云的部分空间信息,并且计算复杂度也会大幅度提高。针对以上问题,本文提出了一种基于深度学习的三维点云模型检索方法,旨在研究如何将三维点云直接作为输入,并结合深度学习方法得到更准确的检索结果。同时本文还构建了一个三维点云模型检索系统。本文主要研究工作如下:1.提出了一种基于深度学习的三维点云模型检索方法。该方法在对三维点云进行多尺度分层特征提取的基础上引入了具有隐式拉普拉斯算子的偏移注意力模块,更完整地学习了点与点之间的权重关系,提高网络鲁棒性。为了提高增强样本对于网络训练的有效性,本文使用可学习的具有样本感知能力的自动数据增强模块代替传统的数据增强策略,并采用对抗学习策略来联合优化自动数据增强模块与分类网络,进一步加强点云特征学习。考虑到检索不仅需要扩大类与类之间的距离,还需要使类内特征更加紧凑,本文使用了一个类内约束损失函数,用于缩小类内特征距离。在检索过程中融入类别信息,只需将查询点云与同一类别点云的特征进行相似性度量再排序得到检索结果,大幅度提高了检索精度和效率。2.设计并实现一个三维点云模型检索系统。该系统集成了本文提出的基于深度学习的三维点云模型检索方法,主要分为用户登录、点云分类和点云检索三个模块,根据每个模块的不同功能在Web端进行可视化展示和交互设计。本文分别在Model Net40和Shape Net Part数据集上进行实验,并与其他直接以点云作为输入的主流算法做了比较。实验结果证明,本文提出的方法在检索任务中具有更高的精度。同时,基于本文方法构建的系统能满足科研和工程上的需要。